一種分治法與水質(zhì)周期性結(jié)合的水質(zhì)預(yù)測方法
【專利摘要】本發(fā)明公開了一種分治法與水質(zhì)周期性結(jié)合的水質(zhì)預(yù)測方法，屬于水質(zhì)預(yù)測【技術(shù)領(lǐng)域】。本發(fā)明提出的水質(zhì)預(yù)測方法針對單一預(yù)測器較難對水質(zhì)數(shù)據(jù)的復(fù)雜變化規(guī)律進行充分學習，易造成預(yù)測精度不佳的問題，采用了基于數(shù)據(jù)驅(qū)動問題分解求解框架，該框架在學習過程中能夠根據(jù)數(shù)據(jù)特點對問題空間進行自主劃分，無需人工指定預(yù)測器數(shù)量，具有更好的魯棒性。通過將預(yù)測器效果評價及水質(zhì)數(shù)據(jù)周期性進行融合，更好地利用了水質(zhì)數(shù)據(jù)在時間尺度上的變化特點，實現(xiàn)了更加準確的問題分解算法。根據(jù)框架學習內(nèi)容，將待預(yù)測的數(shù)據(jù)映射至對應(yīng)具有預(yù)測優(yōu)勢的預(yù)測器組中，由對應(yīng)的預(yù)測器加權(quán)得到預(yù)測結(jié)果，具有更好的準確性及穩(wěn)定性。
【專利說明】一種分治法與水質(zhì)周期性結(jié)合的水質(zhì)預(yù)測方法
【技術(shù)領(lǐng)域】
[0001]本發(fā)明屬于水質(zhì)預(yù)測【技術(shù)領(lǐng)域】，涉及一種分治法與水質(zhì)周期性結(jié)合的水質(zhì)預(yù)測方法。
【背景技術(shù)】
[0002]水質(zhì)預(yù)測是水資源管理中的重要一環(huán)。對水質(zhì)變化規(guī)律的精確預(yù)測能夠?qū)崿F(xiàn)對水質(zhì)惡化及水華爆發(fā)等污染性事件進行預(yù)警，為相關(guān)決策提供參照。目前，水質(zhì)預(yù)測方法主要分為兩類。第一類是基于水質(zhì)機理中水流、物理、化學等因子的模型，如QUASAR及WASP等?；跈C理的模型較好地綜合考慮了水質(zhì)所受到的各種環(huán)境因素，也在多個流域進行了應(yīng)用，但其需要較為完備的觀測樣本及先驗知識，在不同流域中所受局限較大。同時，人工智能、機器學習理論的快速發(fā)展為我們提供了更多的預(yù)測方法，能夠在多變的環(huán)境下獲得較高的預(yù)測準確率?；叶饶Ｐ?GM)能夠較好地處理時序數(shù)據(jù)，即使在數(shù)據(jù)量較小時也能夠保持較好的預(yù)測精度。人工神經(jīng)網(wǎng)絡(luò)(ANN)通過具有以任意精度逼近任意非線性函數(shù)的能力，當訓練樣本充分多時可獲得精確的預(yù)測效果。在過去15年中，人工神經(jīng)網(wǎng)絡(luò)被廣泛使用在水資源及環(huán)境工程領(lǐng)域的指數(shù)預(yù)測中，其中包含了不同構(gòu)造的人工神經(jīng)網(wǎng)絡(luò)，如BP神經(jīng)網(wǎng)絡(luò)、RBF神經(jīng)網(wǎng)絡(luò)等。支持向量機(SVM)也在水質(zhì)預(yù)測領(lǐng)域中有所應(yīng)用，由于參數(shù)選擇對支持向量機的預(yù)測效果影響較大，因此在將支持向量機與不同參數(shù)尋優(yōu)方法結(jié)合的水質(zhì)預(yù)測研究方面也有許多研究，如基于遺傳算法的、基于粒子群的。
[0003]除使用單一預(yù)測模型的預(yù)測方法之外，使用多個預(yù)測模型的研究也已開展多年。由于水質(zhì)數(shù)據(jù)變化復(fù)雜，具有在不同時間、季節(jié)呈現(xiàn)不同變化規(guī)律的特點，單一預(yù)測器較難對水質(zhì)數(shù)據(jù)的復(fù)雜變化規(guī)律進行充分學習，易造成預(yù)測精度不佳。而集成預(yù)測模型則可將多個預(yù)測器聯(lián)合并增強，以獲得更好的學習效果。在水質(zhì)預(yù)測方面，基于多模型集成的研究也是業(yè)界的熱點。如Partalas等人提出的基于貪婪選擇的水質(zhì)集成預(yù)測算法；Faruk將人工神經(jīng)網(wǎng)絡(luò)算法同ARIMA算法混合以處理水質(zhì)預(yù)測問題中的線性部分及非線性部分；孫兆兵等也提出了基于概率組合的水質(zhì)集成預(yù)測模型。
[0004]如上述所提到的研究，通常在集成模型中，對每個子預(yù)測器都需進行一次完全的訓練，因此訓練時間也顯著地增加了。同時，尋找子預(yù)測器中的差異并對其確定權(quán)重是集成模型中的關(guān)鍵，因為每個子預(yù)測器均被訓練為解決同一個問題。而采用問題分解的分治法可以將整個問題分為若干個子問題，之后對規(guī)模較小的子問題再進行特定的訓練，具有較少的訓練時間。相對地，尋找合適的問題分解算法是分治法的關(guān)鍵。
[0005]對水質(zhì)預(yù)測問題來說，因水質(zhì)數(shù)據(jù)復(fù)雜多變，分解后的子問題數(shù)量難以進行人工指定。而基于數(shù)據(jù)驅(qū)動，通過挖掘數(shù)據(jù)本身特點對模型進行自調(diào)整，可以實現(xiàn)對因此具有自適應(yīng)問題分解能力的分解算法更適合解決水質(zhì)預(yù)測問題。王國胤等提出了基于NARA模型的并行神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)(PNN)，其問題分解算法能夠根據(jù)訓練數(shù)據(jù)的特點，通過各個網(wǎng)絡(luò)的擬合情況反應(yīng)數(shù)據(jù)的特點，基于數(shù)據(jù)驅(qū)動自行決定問題的劃分及問題分解的數(shù)量。其在雙螺旋識別問題上的良好表現(xiàn)也證明PNN算法具有較好的問題分解能力，適用于特征變化復(fù)雜的數(shù)據(jù)集。但當處理水質(zhì)數(shù)據(jù)時，PNN算法仍需進行改進以更好地適應(yīng)水質(zhì)數(shù)據(jù)的特征。

【發(fā)明內(nèi)容】

[0006]有鑒于此，本發(fā)明的目的在于提供一種分治法與水質(zhì)周期性結(jié)合的水質(zhì)預(yù)測方法，該方法針對單一預(yù)測器較難對水質(zhì)數(shù)據(jù)的復(fù)雜變化規(guī)律進行充分學習，易造成預(yù)測精度不佳的問題，提出了基于數(shù)據(jù)驅(qū)動問題分解求解框架，并且通過將預(yù)測器效果評價及水質(zhì)數(shù)據(jù)周期性進行融合，更好地利用了水質(zhì)數(shù)據(jù)在時間尺度上的變化特點，實現(xiàn)了更加準確的問題分解算法。
[0007]為達到上述目的，本發(fā)明提供如下技術(shù)方案:
[0008]一種分治法與水質(zhì)周期性結(jié)合的水質(zhì)預(yù)測方法，包括以下步驟:步驟一:對原始水質(zhì)數(shù)據(jù)進行預(yù)處理；步驟二 =DDM-ERM預(yù)測模型訓練；步驟三=DDM-ERM模型輸出，在DDM-ERM模型訓練完畢之后，獲得對各個樣本組的子預(yù)測器組及其對應(yīng)權(quán)重，對于待預(yù)測的樣本，首先根據(jù)其所處時間計算出對應(yīng)樣本組，再將其作為對應(yīng)樣本組的預(yù)測器組輸入，獲取其加權(quán)輸出即為模型的預(yù)測結(jié)果。
[0009]進一步，在步驟一中，DDM-ERM使用固定長度滑動窗口算法從原始水質(zhì)數(shù)據(jù)中生成子序列數(shù)據(jù)并進行一步向前預(yù)測，通過將時間序列數(shù)據(jù)轉(zhuǎn)化為多個短時子序列數(shù)據(jù)，更好地對水質(zhì)變化規(guī)律進行充分學習；設(shè)水質(zhì)時間序列數(shù)據(jù)中相鄰數(shù)據(jù)的時間間隔為Tinteval，而某時刻的水質(zhì)情況與之前Tpm時間內(nèi)的水質(zhì)情況呈顯著相關(guān)，則在進行一步向前預(yù)測時，
取滑動窗口長度為
【權(quán)利要求】
1.一種分治法與水質(zhì)周期性結(jié)合的水質(zhì)預(yù)測方法，其特征在于:包括以下步驟: 步驟一:對原始水質(zhì)數(shù)據(jù)進行預(yù)處理； 步驟二 =DDM-ERM預(yù)測模型訓練； 步驟三=DDM-ERM模型輸出，在DDM-ERM模型訓練完畢之后，獲得對各個樣本組的子預(yù)測器組及其對應(yīng)權(quán)重，對于待預(yù)測的樣本，首先根據(jù)其所處時間計算出對應(yīng)樣本組，再將其作為對應(yīng)樣本組的預(yù)測器組輸入，獲取其加權(quán)輸出即為模型的預(yù)測結(jié)果。
2.根據(jù)權(quán)利要求1所述的一種分治法與水質(zhì)周期性結(jié)合的水質(zhì)預(yù)測方法，其特征在于:在步驟一中，DDM-ERM使用固定長度滑動窗口算法從原始水質(zhì)數(shù)據(jù)中生成子序列數(shù)據(jù)并進行一步向前預(yù)測，通過將時間序列數(shù)據(jù)轉(zhuǎn)化為多個短時子序列數(shù)據(jù)，更好地對水質(zhì)變化規(guī)律進行充分學習；設(shè)水質(zhì)時間序列數(shù)據(jù)中相鄰數(shù)據(jù)的時間間隔為Tinteval，而某時刻的水質(zhì)情況與之前Tpm時間內(nèi)的水質(zhì)情況呈顯著相關(guān)，則在進行一步向前預(yù)測時，取滑動窗口長度為;其具體步驟如下: 設(shè)r = [tit2...tk]為水質(zhì)時間序列數(shù)據(jù)，滑動窗口長度為k，子序列集合C = 0 1)設(shè)置滑動窗口位置為1，此時位于滑動窗口內(nèi)的水質(zhì)數(shù)據(jù)集合為c= ItiIK= i<=k}； 2)將滑動窗口內(nèi)的水質(zhì)數(shù)據(jù)集合c轉(zhuǎn)化為一個m的子序列向量r，其中[tit2...tk_J作為該子序列r的輸入，而tk作為該子序列r的輸出； 3)將子序列向量r加入到子序列集合C中，將滑動窗口向后滑動一個單位，若滑動窗口位置P < = n-k則跳至第二步；否則輸出子序列集合C，算法結(jié)束； 經(jīng)過長度為k的滑動窗口算法之后，長度為η的原始水質(zhì)時間序列數(shù)據(jù)將會轉(zhuǎn)化為n-k個子序列數(shù)據(jù)；子序列數(shù)據(jù)將作為DDM-ERM模型的訓練及測試數(shù)據(jù)。
3.根據(jù)權(quán)利要求2所述的一種分治法與水質(zhì)周期性結(jié)合的水質(zhì)預(yù)測方法，其特征在于:在步驟一中，將同階段水質(zhì)子序列聚合成組，以組作為問題劃分粒度的方案，以減少問題劃分的噪點，并對水質(zhì)數(shù)據(jù)的周期性知識進行更充分的學習，具體包括: 對原始水質(zhì)時間序列采用離散傅里葉變換，得到其頻域能量分布，取其能量峰值時頻率f，則其顯著周期長度/w7 = J; 在計算獲得數(shù)據(jù)顯著周期長度Ien之后，對子序列集合C = Ir1, r2,...rn}，將其中子序列分為Ien組,每組內(nèi)的子序列集合Gi = {rm|m = kXlen+i},其中k為大于等于O的整數(shù)，
4.根據(jù)權(quán)利要求3所述的一種分治法與水質(zhì)周期性結(jié)合的水質(zhì)預(yù)測方法，其特征在于:所述步驟二中的模型訓練具體包括以下步驟: 給定輸入子序列樣本集合S= (Ci 11 < = i < = len} 第一步:設(shè)置訓練集St = S, j = I ; 第二步:對各個備選的預(yù)測器CLRi,使用訓練集St進行訓練，得到各備選預(yù)測器在各組驗證集樣本上的均方誤差MREu ;第三步:根據(jù)各備選預(yù)測器在各組驗證機上的均方誤差MREpj，得到當前備選預(yù)測器中最優(yōu)預(yù)測器CLRk ； 第四步:根據(jù)最優(yōu)預(yù)測器CLRk的預(yù)測結(jié)果及當前訓練集St，計算得出未識別樣本組sunrecog.
5.根據(jù)權(quán)利要求4所述的一種分治法與水質(zhì)周期性結(jié)合的水質(zhì)預(yù)測方法，其特征在于:通過以下方式設(shè)置訓練集:對訓練樣本集合進行臨近擴展，以增加訓練樣本集合，消除局部周期波動性的影響，具體為: 設(shè)周期長度為len，臨近擴展長度為β，則對于訓練集S，在獲得預(yù)測器RLi對其對應(yīng)驗證集的識別情況之后，有:
6.根據(jù)權(quán)利要求5所述的一種分治法與水質(zhì)周期性結(jié)合的水質(zhì)預(yù)測方法，其特征在于:在模型訓練過程的第二步和第三步中，將樣本分為訓練集及驗證集，以預(yù)測器對驗證集內(nèi)的預(yù)測結(jié)果作為評價標準及輸出精確度的計算方式，具體為: 采取均方誤差作為誤差評價標準，設(shè)驗證集樣本組Gi中共有η個樣本，樣本k的期望輸出為Yk，加入預(yù)測器RLj后集成預(yù)測模型對其輸出為V 則其對驗證集樣本組Gi的均方誤差MREi, j為:
【文檔編號】G06Q50/06GK103886397SQ201410154826
【公開日】2014年6月25日 申請日期:2014年4月17日 優(yōu)先權(quán)日:2014年4月17日
【發(fā)明者】鄒軒, 王國胤, 傅劍宇, 吳迪, 茍光磊, 李鴻, 劉 文, 利節(jié) 申請人:中國科學院重慶綠色智能技術(shù)研究院