[发明专利]基于时空图卷积网络的排水管网污水流量预测方法

说明书

本发明公开了一种基于时空图卷积网络的排水管网污水流量预测方法，首先，获取排水管网的污水流量时空数据集，并对其进行预处理；然后，将上述数据集划分为训练集、验证集和测试集；其次，构建时空图卷积网络；再次，将训练集和验证集输入网络进行训练；最后，用训练得到的模型对测试集进行预测，得到未来时间点排水管网各分区排放口的污水流量预测值。本发明结合循环神经网络中的门控循环单元与图卷积网络，构建了排水管网污水流量预测模型，且利用此模型对监测站点不同时间段的污水流量进行预测，实验结果的时空预测能力优于传统水质预测模型，从而实现了对排水管网各分区排放口污水流量的快速精准预测，为城市水管理提供技术支撑。

技术领域

本发明属于图处理技术领域，尤其涉及一种基于时空图卷积网络的排水管网污水流量预测方法。

背景技术

老旧城区排水管网系统已经基本完善，但存在管网破损、错接或者管网堵塞，从而使得入流入渗水量进入污水管网系统，因此导致主干管污水中污染物浓度远远低于规范中城市生活污水中污染物浓度，很难满足污水处理要求，使得污水处理厂处理效能低下。特别是降雨导致的入流入渗，使得污水管网系统、污水处理厂运行负荷增加，系统容量下降，增加了污水厂运行成本，严重时还易发生溢流，污染环境。

目前依靠传统手段(如依靠经验或者是简单的控制系统)已经不能满足当前污水处理厂污水处理系统的需求，从而导致污水处理设施建设和运行过程中存在运行质量差、处理效率和资源利用率低等问题。传感器及在线监测设备在污水处理系统的广泛使用，虽然为工程技术人员采集了大量的数据，如水温、pH、浊度、色度、流量、化学需氧量(COD)、生物需氧量(BOD)等，可是如何分析这些数据并从中提取关键信息用于污水处理系统的调控还没有一套行之有效的方法，因此无法有效地提高污水处理厂污水处理的效率和准确性。

机器学习方法可充分利用大数据进行非线性回归、分类和预测、诊断异常数据点以及为多目标系统寻找最优决策方式，是近年来解决复杂工程系统问题的重要手段之一。同时，机器学习方法容错率高，可适应较大的输入数据变化，能很好地利用污水处理过程中产生的数据集，并可通过不断优化达到较好的学习效果。

发明内容

针对现有技术存在的问题，为了提高污水处理的效率和准确性，本发明提出了一种基于时空图卷积网络的排水管网污水流量预测方法。

如上构思，本发明的技术方案是：一种基于时空图卷积网络的排水管网污水流量预测方法，包括如下步骤：

S1、获取排水管网的污水流量时空数据集，并对其进行预处理；

S2、将上述污水流量时空数据集划分为训练集、验证集和测试集；

S3、构建时空图卷积网络；

S4、将训练集和验证集输入网络进行训练；

S5、用训练得到的模型对测试集进行预测，得到未来时间点排水管网各分区排放口的污水流量预测值。

进一步，所述步骤S1中污水流量时空数据集的预处理包括：

统计整理排水管网不同排放口监测站点污水的历史流量值，得到时间数据集；

统计整理排水管网各分区排放口监测站点的空间连接关系，得到空间数据集。

进一步，所述步骤S2数据集划分比例为：60％的训练集，20％的验证集，20％的测试集。

进一步，所述步骤S3构建时空图卷积网络集成了循环神经网络RNN中的门控循环单元GRU和图卷积网络GCN两部分，其中，所述GCN用于捕获排水管网各分区排放口监测站点网络的拓扑结构，对空间依赖性进行建模，所述GRU用于捕获监测站点上污水流量数据的动态变化，对时间序列依赖性进行建模。