[发明专利]一种水污染时序数据连续缺失值填补方法

权利要求书

1.一种水污染时序数据连续缺失值填补方法，其特征在于，包括以下步骤：

1)从河流不同自动监测站分别获取河流监测数据，获取的数据中包含连续缺失值的序列称为目标序列，完整序列称为基序列；

2)对河流监测数据进行重采样，并进行归一化处理；

3)采用DTW算法计算目标序列与同一时间段其他基序列之间的相似性，得到与目标序列最相似的基序列，所述最相似的基序列为经过DTW算法计算得到的数值最小的基序列；

4)将步骤3)中得到的基序列划分成训练集和测试集，并将训练集和测试集中的数据以滑动窗口的方式构造成输入向量；

5)构建BLSA模型，并使用输入向量对其进行训练；

6)将训练好的BLSA模型进行模型迁移：冻结BLSA模型中的Bi-LSTM层，然后采用目标序列对Self-attention层进行二次训练，以对BLSA模型参数进行调整，得到迁移后的模型BLSA_tr；

7)基于BLSA_tr模型对目标序列中存在的连续缺失值进行迭代估计并填补。

2.根据权利要求1所述的一种水污染时序数据连续缺失值填补方法，其特征在于，所述河流监测数据，包括河流污染物浓度、河流水流量以及水温数据。

3.根据权利要求1所述的一种水污染时序数据连续缺失值填补方法，其特征在于，所述重采样具体为：把每天不同时刻的数据按天取平均值。

4.根据权利要求2所述的一种水污染时序数据连续缺失值填补方法，其特征在于，所述河流污染物包括：溶解氧、氨氮、化学需氧量、氟化物、总磷、总氮中的一种。

5.根据权利要求1所述的一种水污染时序数据连续缺失值填补方法，其特征在于，所述BLSA模型包括：顺序连接的输入层、Bi-LSTM层、Self-attention层、全连接层以及输出层，BLSA模型的训练过程为：

把输入向量通过输入层输入到Bi-LSTM层进行训练得到特征向量；

Self-attention层中，将特征向量采用Self-attention机制进行训练，得到不同特征向量对应的概率，不断更新迭代权重参数矩阵，输出加权后的特征向量；

将加权后的特征向量输入到全连接层进行计算，得到预测的缺失值，并通过输出层输出。