[发明专利]基于多因素时序—随机深度置信网络模型的蓝藻水华预测方法

说明书

本发明公开了一种基于多因素时序—随机深度置信网络模型的蓝藻水华预测方法，属于水环境预测技术领域。本发明将改进的深度置信网络方法与多因素时间序列分析法相结合，构建一种多因素时序─随机深度置信网络模型，然后采用MT─RDBN模型去离散化、RCRBM的学习算法和MT─RDBN模型参数微调。本发明在建立模型时采用了时间序列中的自回归模型和多因素回归模型，考虑了影响因素因此MT─DBN模型能够通过当前时刻和历史时刻的叶绿素浓度和影响因素数据对未来时刻的表征因素进行预测，减少了样本使用量，提高了预测精度。

技术领域

本发明涉及一种水华预测方法，属于水环境预测技术领域。具体的说，是对水华的生成过程进行分析后建立的多因素时序—随机深度置信网络模型的一种提高预测精度的蓝藻水华预测方法。

背景技术

随着社会经济的发展，水体富营养化现象越发普遍，严重影响了人们的正常生活。水体富营养化现象是发生在淡水中，由水体中氮、磷、钾含量过高导致藻类突然性过度增殖的一种自然现象。水体富营养化形成原因主要是氮、磷、钾等元素排入到流速缓慢、更新周期长的地表水体，使藻类等水生生物大量地生长繁殖，并且使有机物产生的速度远远超过消耗速度，水体中有机物积蓄，破坏水生生态平衡的过程。水体出现富营养化现象时，浮游藻类大量繁殖，形成水华。因此，通过预测和模拟来有效的防治水华现象的发生具有重要意义。

现阶段，蓝藻水华预测多选用叶绿素浓度作为模型的表征因素。在现有的蓝藻水华预测方法中主要有仅通过表征因素的历史时刻和当前来预测未来几个时刻表征因素的数据驱动模型，如神经网络、线性回归、支持向量机等方法以及根据蓝藻水华的暴发机理建立影响因素与表征因素的数学模型，如生态动力学模型等方法。单因素的数据驱动模型虽然不考虑蓝藻水华的暴发机理，但却并没有考虑影响因素与表征因素之间的相互作用。而多因素的数学模型虽然能够反应水华的暴发机理，建立了影响因素与表征因素之间的数学关系，但数学模型建立困难，而且水华的暴发机理具有高度非线性和不确定性，故仅采用数学模型也很难很好的预测水华的发生。

目前基于数据驱动的人工神经网络方法在水华预测中应用广泛，如BP神经网络。但BP神经网络容易出现收敛时间过长，局部最小等问题。在现阶段，基于机理驱动的生态动力学模型在水华的研究中得到了广泛的应用，但其却没有考虑到表征因素和影响因素随时间的变化对蓝藻水华暴发带来的影响。

因此，在了解上述数据驱动模型和机理驱动模型的优缺点后，如何在蓝藻水华的表征因素与影响因素之间引入时间变量，并寻找一种优化参数的智能方法是蓝藻水华研究领域中亟待解决的问题。

发明内容

本发明的目的是为了解决现有的水华预测精度不高、无法仅通过单一因素或者单一的数学模型方法处理高度非线性系统的预测问题，将改进的深度置信网络方法与多因素时间序列分析法相结合，构建一种多因素时序─随机深度置信网络模型，该方法能够提高水华的预测精度，为蓝藻水华预测提供一种新思路。

本发明提供的基于多因素时序─随机深度置信网络模型的蓝藻水华预测方法，主要包括以下4个步骤：

步骤一、建立MT─RDBN模型

时间序列模型是将某种统计指标的数值，按照时间先后顺序排列成动态数列。水华预测是一个动态时序问题，而叶绿素是表征蓝藻在水体中现存量最直接的指标，因此将叶绿素作为反应蓝藻水华现象的表征因素。而蓝藻水华现象的暴发不仅与表征因素有关，还与其它影响因素存在着一定的关系，故将因素PH值、氨氮和水温作为反应水华现象的影响因素。无论是表征因素还是影响因素，它们都具备随时间变化的特点。因此建立未来时刻的表征因素与当前时刻和历史时刻的表征因素和影响因素的时序关系，进而建立多因素时序─随机深度置信网络模型，简写为MT─RDBN模型。MT─RDBN模型由多个随机条件玻尔兹曼机(RCRBM)和BP神经网络组成，RCRBM负责MT─RDBN模型的预训练。BP神经网络负责微调MT─RDBN模型的模型参数。

步骤二、MT─RDBN模型去离散化