[发明专利]基于择优分类的水质预测方法

说明书

本申请基于择优分类的水质预测方法，对历史的水质指标数据进行归一化处理后，构造训练集，使用训练集分别对Adaboost水质预测模型、RVM水质预测模型、BP神经网络水质预测模型进行训练。然后使用一部分的数据集分别使用三种模型进行预测，结合每个数据使用不同模型得到的实际值与预测值的对比，训练基于SVM的择优分类器。对于新的数据，通过择优分类器可以选出最佳模型，使用最佳模型得到效果最好的预测值。此方法可以极大的提高预测的准确率。

技术领域

本发明是一种基于择优分类的水质预测方法，涉及机器学习与水质预测领域。

背景技术

水是人类经济社会发展的必要资源。我国水资源问题尤为突出：人均总量远低于平均水平，全国各大水系受污染程度严重。水污染防治一直是国家和社会关注的重点，其中水质预测是水资源污染控制的基础工作，准确预测水体污染物浓度的变化趋势尤为重要，而建立可靠的水质预测模型是水污染预测防治的关键。通过预测可以为我们赢得对污染的应急处理时间。

具体来说水质预测是建立在往常已经得到的水质数据，通过分析归纳特征与规律，预测未来的水质变化的研究。目前我国常用的水质预测方法存在训练速度慢，预测精度不足等缺点。随着机器学习领域的发展，我们发现可以使用机器学习的模型解决当前预测方法存在的问题，提高预测精度。

通过构造训练样本，以此来训练不同的机器学习模型，我们可以选择效果最好的模型，以此获得较为准确的预测值。该方法在技术上是可行的，同时具有很强的实际价值。

发明内容

本申请提出了基于择优分类的水质预测方法，对于输入的数据，使用择优分类器选出对于该数据，Adaboost水质预测模型、RVM水质预测模型、BP神经网络水质预测模型中预测效果最好的模型，使用该模型进行准确的预测。

基于择优分类的水质预测方法，包括如下步骤：

步骤1：采集水质数据；

步骤2：对水质数据与对应的时间节点进行归一化处理；

步骤3：构造训练集Training与验证集Validation；

步骤4：分别构造RVM水质预测模型、BP神经网络水质预测模型、Adaboost水质预测模型；

步骤5：使用步骤3中构造的训练集分别训练步骤4中构造的RVM水质预测模型、BP神经网络水质预测模型、Adaboost水质预测模型；

步骤6:使用步骤5中训练好的三种水质预测模型在步骤3中构造的验证集Validation上进行预测，以此预测结果构造SVM择优分类器的训练集Training；

步骤7：构造SVM择优分类器，使用步骤6中构造出的训练集Training训练SVM择优分类器；

步骤8：输入新的数据，先通过步骤7中已经得到的SVM择优分类器选择出RVM水质预测模型、BP神经网络水质预测模型、Adaboost水质预测模型中最合适该数据的预测模型，再根据选择出的预测模型得到最终预测值。

进一步地，所述步骤1采集水质数据的具体方式为，监测一定时间内某一水域，获得某一水质指标按时间排序的数据集合W＝{w₁,w₂,…w_i,…w_N}，其中N表示水质数据集合的元素数量，w_i为第i个时间节点的水质指标数据。同时获得时间节点的集合T,T＝{t₁,t₂,…,t_i,…,t_N}，其中N表示时间节点数据集合的元素数量，t_i为第i个时间节点的时间。

进一步地，所述步骤2中，对采集到的水质数据进行整理，然后使用标准差标准化方法对每个时间节点的水质数据进行归一化处理：