[发明专利]基于多元非平稳时间序列分析与神经网络及支持向量机补偿的湖库藻类水华预测方法

说明书

技术领域

本发明涉及一种水华预测方法，属于水质监测技术领域，具体地说，是指在多元非平稳时序分析多种特征因素水华生成的随机过程基础上，对其进行时序建模预测，加以神经网络或支持向量机算法对预测模型进行修正，提高预测精度的水华预测方法。

背景技术

随着社会经济发展，水在国民经济和社会发展中的地位和作用越来越突出。然而，近些年来我国湖库由于接纳过量的氮、磷等植物性营养物，使藻类和其它水生植物异常繁殖，出现了水体透明度和溶解氧下降，鱼类及其它生物大量死亡的水体富营养化现象，进而导致藻类水华出现。湖库水华是水体富营养化的一种典型表现，其危害性不仅在于严重污染稀缺的淡水资源，甚至严重破坏了生态环境而且由其产生的藻毒素会通过食物链直接威胁人类的健康，已成为地区经济发展的重要制约因素。因此，湖库水华治理工作亟待加强。

水华的暴发是由水体的物理、化学和生物过程等多种因素共同作用的结果，但各要素之间关系复杂，由于其存在随机性、不确定性和非线性等特征，目前虽然已有针对水华的多种预测方法，但现有水华预测方法仍存在预测精度不高、难以针对小样本数据预测等问题。

由于水华发生的机理很复杂，影响因素较多，因而对其进行预测一直以来都是水华治理和防治工作中的一个难点。近些年来，随着研究的深入，许多基于智能方法建立的模型被应用到水质评价和预测当中，如回归模型、神经网络模型等。

时间序列分析是一种动态数据处理的数理统计方法，适于描述和预测多种特征因素水华生成的随机过程。采用多元时序分析方法，对水华形成的特征因素多元时序建模，从而进行水华预测为一种有效途径。时间序列分析预测的特点在于其突出时间因素在预测中的作用，仅依靠过去时刻的数据就可以对未来时刻的数据进行预测，而无需依赖未来时刻外界因素对数据的影响。

然而，传统的时间序列模型通常只适于平稳性时序、线性系统的建模分析，但是在实际应用中，时间序列通常具有非平稳以及不规则、混沌等非线性特征，采用传统时序分析方法很难对实际系统建立理想的模型。此外，当未来时刻外界影响因素发生较大变化，时间序列分析预测往往会有较大偏差，因此需要采用适于反映未来时刻外界影响因素对数据相关关系的模型对时序预测误差进行补偿。

神经网络与支持向量机是统计学习的代表方法，均适于预测以及非线性系统建模，并且是通过未来时刻外界影响因素与预测对象之间的相关关系而实现对数据的预测。

神经网络方法是基于传统统计学的基础，传统统计学研究的内容是样本量无穷大时的渐进理论，即当样本量趋于无穷多时的统计性质，而实际问题中样本量往往是有限的。因此，假设样本量无穷多，并以此推导出的各种算法很难在样本量有限时取得理想的应用效果。

支持向量机方法是基于统计学理论的基础，与传统统计学理论不同，支持向量机主要是针对小样本情况，且最优解是基于有限的样本信息，而不是样本量趋于无穷大时的最优解。但是当针对大样本情况时该方法的存储和计算将耗费大量的机器内存和运算时间。

发明内容

本发明对湖库水华预测方法进行研究，目的是解决现有的水华预测精度不高、难以针对小样本数据预测等问题，针对实际具有非平稳和非线性特性的水华形成过程特征因素时序，采用多元非平稳时序分析方法建模，并考虑不同样本量的情况下，利用适于非线性系统建模的神经网络及支持向量机方法对时序模型的预测误差进行补偿，从而提高水华预测精度，为环保部门提供有效的参考依据，对湖库水环境的保护和改善起到重要的防治作用。

为便于说明，本说明书中所有未经解释的名词及字母含义均由下述假设解释：与水华现象有关的特征因素分为两种：一种是影响水华发生的特征因素，例如氮、磷、pH值、溶解氧、水温、光照度等，以下叫做影响因素；另一种是表征水华发生的特征因素，例如叶绿素浓度、藻密度等，以下叫做表征因素。以Y_t表示t时刻的特征因素向量；以y_it表示第i个特征因素在t时刻的量值，总采样时间为N，t=1,2,…,N，共有n个特征因素，i=1,2,…,n。

本发明提供的基于多元非平稳时间序列分析与神经网络及支持向量机补偿的湖库藻类水华预测方法主要包括以下五个步骤：

步骤一、特征因素多元非平稳时序建模；

1、确定特征因素时序结构；