[发明专利]水质预测模型训练、水质预测方法、装置、设备及介质

说明书

本发明实施例公开了一种水质预测模型训练、水质预测方法、装置、设备及介质，包括：获取目标流域在目标训练时间区间的历史水质样本数据并输入至组合预测模型中的灰色预测模型，得到预测水质因子浓度训练数据；将预测水质因子浓度训练数据输入至组合预测模型中的神经网络模型，得到预测水质监测因子浓度训练数据；根据目标训练时间区间对应的历史水质监测因子浓度样本数据对预测水质监测因子浓度训练数据进行评价；以根据模型评价结果对组合预测模型持续训练。本发明实施例的技术方案能够提高水质预测模型的精准度，进而提高水质预测的精准度。

技术领域

本发明实施例涉及水质测试技术领域，尤其涉及一种水质预测模型训练、水质预测方法、装置、设备及介质。

背景技术

经济的发展使水质污染也日趋严重，全国水质恶化的加剧，水环境管理已经成为解决水资源短缺与水污染加剧的重要措施，水质预测及预警是水环境问题的重要研究内容之一。水质参数的检测参数主要包括温度、溶解氧、pH值、氨氮、亚硝酸盐、硝酸盐等，各种因子之间相互联系、相互影响，共同决定水体质量。

由于各因子之间既相互影响又相互作用，是一个多变量非线性问题，要求采用适宜的预测方法阐明水体多参数之间的相互作用，揭示水质因子变化的关键规律，对于多变量非线性水质参数数据的预测，是水质预测的难点之一；采集与水质参数相关的数据是时间序列数据，针对大量的时间序列水质参数数据，采用合适的方法去挖掘大量的时间序列水质参数数据特征，也是难点之一。目前，常用的水质预测方法一般可以分为：数理统计预测法、灰色系统理论预测法、神经网络预测法、水质模拟模型预测法以及混沌理论预测法。

发明人在实现本发明的过程中，发现现有技术存在如下缺陷：数据统计预测法对水质历史数据的真实性、可靠性、丰富性有很高的要求，涉及的影响因素交过，需要的信息资料数据量大，因此预测难度很高。由于断面水质监测数据规律性较弱，波动性较大，灰色模型预测所得到的结果与实际监测结果会存在较大的误差。而现有水质模拟模型的空间维数有待进一步提高，目前尚未开发出在国内外广泛使用的模型软件，且水质模型模拟的范围不够全面，能够模拟的水质变量通常局限于一些常规指标。神经网络预测法虽然理论上具有逼近任意函数的能力，但前提条件是具有足够多的隐节点，而较多的隐节点会导致神经网络参数增多，相应地需要更多样本数据来训练神经网络。混沌理论预测法需要在水质资料信息较为丰富的条件下才可能实现，而当前由于受到经济实力不够强、基础条件薄弱、环境保护工作投入不足等因素的制约，使混沌理论预测缺乏足够的监测数据。

由此可见，目前常用预测统计方法的共同缺陷是：对用来建模的数据可能具有较好的拟合效果，但预测效果并非十分理想。

发明内容

本发明实施例提供一种水质预测模型训练、水质预测方法、装置、设备及介质，能够提高水质预测模型的精准度，进而提高水质预测的精准度。

第一方面，本发明实施例提供了一种水质预测模型训练方法，包括：

获取目标流域在目标训练时间区间的历史水质样本数据；

将所述历史水质样本数据输入至组合预测模型中的灰色预测模型，得到所述目标训练时间区间对应的预测水质因子浓度训练数据；

将所述预测水质因子浓度训练数据输入至所述组合预测模型中的神经网络模型，得到所述目标训练时间区间对应的预测水质监测因子浓度训练数据；

根据所述目标训练时间区间对应的历史水质监测因子浓度样本数据对所述预测水质监测因子浓度训练数据进行评价，得到所述组合预测模型的模型评价结果；

在确定所述模型评价结果不满足预设模型评价指标的情况下，返回执行将所述历史水质样本数据输入至组合预测模型中的灰色预测模型的操作，直至确定所述模型评价结果满足所述预设模型评价指标。

第二方面，本发明实施例还提供了一种水质预测方法，包括：

获取目标流域在目标预测时间区间的预测水质样本数据；