[发明专利]基于优化的LSTM神经网络的污水水质预测方法

说明书

本发明公开了一种基于注意力机制优化的长短期记忆神经网络的污水水质预测方法，该方法使用主成分分析方法降低输入数据的维度，简化原始数据的复杂程度，引入PSO算法和注意力机制对LSTM进行优化，使得LSTM神经网络能够以较好的网络结构进行训练，提高了LSTM对数据局部特征序列重要程度的识别能力，从而实现提高LSTM神经网络预测精度和避免陷入局部最优的目的，能够更有效地对污水出水水质进行更精确的预测。

技术领域

本发明涉及一种基于注意力机制优化的长短期记忆(LSTM，Long Short-TermMemory)神经网络的污水水质预测方法，属于水质预测技术领域。

背景技术

我国目前污水防治态势依旧严峻，现阶段所面临的水污染治理问题已经从单纯改善水环境质量转变为水质改善与水资源保护、水生态保护有机结合。为防止我国水资源进一步恶化和污染，最有效的办法就是增强污水处理和水质检测与监测能力。

由于污水处理过程的生产条件恶劣，随机干扰严重，具有多输入、多输出、非线性、强耦合、时滞性等特点，使得该过程极其复杂，难以用数学模型来描述，污水出水水质准确监测是一个难题。而传统的污水水质指标的方法，如重铬酸盐法、高锰酸盐指数等，存在操作复杂、耗时长，易造成二次污染等问题。因此，拥有强大拟合能力和自适应性的神经网络更适合用作污水水质预测。同时，污水水质数据具有强扰动性、周期性、样本量少、维度高等特点，具有明显的时间序列特征。现有的污水水质预测方法大都忽略了污水水质数据所具备的时间序列特征，也没有关注不同时间段进水水质变化对出水水质预测结果影响的重要程度。

经分析，发现现有技术存在如下缺点：

(1)现有技术对于辅助变量(输入数据)的选择通常仅依靠相关性分析确定，尽管能够确定全部的辅助变量，但有一部分辅助变量对于预测结果的贡献较少，会造成数据的冗余，从而影响模型的训练速度。

(2)现有技术中采用长短期记忆神经网络(LSTM，Long Short-Term Memory)预测出水水质时，超参数(如隐藏层神经元个数，学习率)的设置通常依赖人为经验确定，而不同超参数的设置对神经网络的预测结果影响较大。因此，如何更合理地设置超参数对提高神经网络预测结果具有重要意义。

(3)现有的污水水质预测模型大多忽略了污水数据所具有的时间序列特征，并且没有或较少关注局部水质特征在不同时间段对出水水质预测的重要程度的变化。

基于此，本发明提出使用主成分分析方法(PCA,Principal Component Analysis)降低输入数据的维度，简化原始数据的复杂程度，利用粒子群算法(PSO，Particle SwarmOptimization)确定LSTM神经网络的超参数最优初始值，采用注意力机制(att,Attention)提高LSTM神经网络对局部水质参数序列的重要特征的识别能力，最终建立基于注意力机制PSO-LSTM神经网络(PSO-LSTM-att)用以预测污水出水水质。

发明内容

本发明基于污水水质数据的时间序列特征和局部水质数据特征在不同时间段重要性程度的不同，提出了基于LSTM神经网络的污水水质预测方法，引入PSO算法和注意力机制对LSTM进行优化，使得LSTM神经网络能够以较好的网络结构进行训练，提高了LSTM对数据局部特征序列重要程度的识别能力，从而实现提高LSTM神经网络预测精度和避免陷入局部最优的目的，能够更有效地对污水出水水质进行更精确的预测。

本发明采用如下技术方案：

一种基于注意力机制优化的长短期记忆神经网络的污水水质预测方法，包括如下步骤：确定主导变量；选择辅助变量；建立基于PSO-LSTM-att神经网络的水质预测模型；预测污水处理水质。所述辅助变量采用主成分分析方法进行选择。在采用主成分分析方法选择辅助变量前，对采集到的污水历史数据进行预处理，包括清除异常值、补充缺失值和数据归一化。