本發(fā)明涉及河道水質(zhì)管理中監(jiān)測斷面的水質(zhì)預(yù)測領(lǐng)域，特別涉及一種基于stl分解和注意力機制的河道監(jiān)測斷面水質(zhì)預(yù)測方法，通過對水質(zhì)變化的趨勢項、周期項和殘差項分別進行針對性預(yù)測，更為準(zhǔn)確地預(yù)測河道監(jiān)測斷面關(guān)鍵水質(zhì)指標(biāo)在未來時段的時序變化。

背景技術(shù)：

1、隨著全球經(jīng)濟的發(fā)展和人口的快速增長，淡水和清潔水越來越匱乏，水資源的管理和保護變得日益重要。在河流水質(zhì)管理實踐中，常常因未能深入洞察關(guān)鍵水質(zhì)指標(biāo)未來的變化趨勢，而使得水污染的預(yù)防控制工作缺乏前瞻性。若能夠較為精確地預(yù)測這些關(guān)鍵指標(biāo)在未來的動態(tài)變化，就能對潛在的污染事件進行預(yù)警，從而加強主動的管理與預(yù)防措施，這對于維護和提升水環(huán)境質(zhì)量至關(guān)重要。

2、然而，目前水質(zhì)機理模型難以準(zhǔn)確捕捉河流復(fù)雜多變的水質(zhì)演變機制，基于數(shù)據(jù)驅(qū)動的機器學(xué)習(xí)或深度學(xué)習(xí)技術(shù)能夠有效捕捉水質(zhì)參數(shù)復(fù)雜的非線性變化過程，同時隨著物聯(lián)網(wǎng)技術(shù)的快速發(fā)展，水質(zhì)監(jiān)測數(shù)據(jù)采集效率的提高使得數(shù)據(jù)量大幅增加，深度學(xué)習(xí)技術(shù)成為主流并廣泛應(yīng)用于水環(huán)境管理中。為了降低水質(zhì)數(shù)據(jù)復(fù)雜性及提高可預(yù)測性，數(shù)據(jù)分解方法是用于水質(zhì)預(yù)測的廣泛預(yù)處理方法，同時利用多站點的時空信息可增強模型預(yù)測準(zhǔn)確性。但目前依然存在以下不足：

3、1、目前常用數(shù)據(jù)分解預(yù)處理方法大多將原始數(shù)據(jù)分解為多個無實際物理意義的子序列，缺乏實用性；

4、2、大多數(shù)數(shù)據(jù)驅(qū)動模型聚焦于時間信息的利用，忽視了空間信息對水質(zhì)預(yù)測的影響，尤其是對時間序列預(yù)測的累計誤差的抑制作用。

5、因此，有必要提出一種基于數(shù)據(jù)分解水質(zhì)預(yù)測深度學(xué)習(xí)方法，可將原始數(shù)據(jù)分為有實際物理意義的子序列，并以此較為準(zhǔn)確地預(yù)測河道監(jiān)測斷面水質(zhì)變化，對改變水質(zhì)管理策略，從“事后控制”轉(zhuǎn)換為“事前預(yù)防”，提升地表水環(huán)境具有重要意義。

技術(shù)實現(xiàn)思路

1、本發(fā)明提供了一種基于stl分解和注意力機制的河道監(jiān)測斷面水質(zhì)預(yù)測方法，使用該方法一是使用stl分解將原始水質(zhì)數(shù)據(jù)分解為具有實際意義的趨勢項、周期性和殘差項，二是引入注意力機制增強深度學(xué)習(xí)模型對時空信息的捕捉能力，提升關(guān)鍵水質(zhì)指標(biāo)的預(yù)測結(jié)果準(zhǔn)確性。

2、一種基于stl分解和注意力機制的河道監(jiān)測斷面水質(zhì)預(yù)測方法，包括以下步驟：

3、(1)在河道各監(jiān)測斷面布置自動水質(zhì)監(jiān)測站，監(jiān)測記錄歷史水質(zhì)數(shù)據(jù)以及氣象數(shù)據(jù)，按時間序列排序，并進行預(yù)處理，構(gòu)建序列格式數(shù)據(jù)集；

4、(2)將步驟(1)構(gòu)建的序列格式原始數(shù)據(jù)集，以stl方法(趨勢分解方法)對待預(yù)測的原始水質(zhì)數(shù)據(jù)分解，從而獲得趨勢項、周期項和殘差項；

5、(3)將步驟(2)獲得的趨勢項、周期項和殘差項數(shù)據(jù)，分別以基于注意力機制的lstm、neuralprophet和xgboost算法進行預(yù)測模型建模，建立基于注意力機制的集成深度學(xué)習(xí)模型(深度學(xué)習(xí)模型attention-based?lstm)進行預(yù)測，以不同時間步長預(yù)測目標(biāo)水質(zhì)參數(shù)的趨勢性、周期性和殘差性；

6、(4)將步驟(3)得到的目標(biāo)水質(zhì)參數(shù)的趨勢性、周期性和殘差性預(yù)測結(jié)果相結(jié)合，預(yù)測目標(biāo)水質(zhì)參數(shù)的時序變化；

7、進一步的，還包括步驟(5)：利用步驟(3)中建立的基于注意力機制的集成深度學(xué)習(xí)模型，利用shap分析對模型進行可解釋性解析，提高模型可應(yīng)用性。

8、進一步的，所述步驟(1)中在河道各監(jiān)測斷面布置自動水質(zhì)監(jiān)測站，監(jiān)測記錄歷史水質(zhì)數(shù)據(jù)以及氣象數(shù)據(jù)，按時間序列排序，并進行預(yù)處理，構(gòu)建序列格式數(shù)據(jù)集，包括具體：

9、獲取所需水質(zhì)參數(shù)數(shù)據(jù)，并采用iqr(interquartile?range)方法對數(shù)據(jù)的離群值進行去除操作，并使用線性插值對缺失值進行填充，完成預(yù)處理操作。

10、進一步的，所述步驟(2)中以stl方法(趨勢分解方法)對待預(yù)測的原始水質(zhì)數(shù)據(jù)分解，從而獲得趨勢項、周期項和殘差項，具體分解公式為：

11、yt＝tt+st+rt

12、式中，yt表示待預(yù)測站點原始監(jiān)測水質(zhì)數(shù)據(jù)；tt表示利用stl算法分解后的趨勢項；st表示利用stl算法分解后的周期項；rt表示利用stl算法分解后的殘差項；

13、進一步的，所述步驟(3)中分別以基于注意力機制的lstm、neuralprophet和xgboost算法進行預(yù)測模型建模，以不同時間步長預(yù)測目標(biāo)水質(zhì)參數(shù)的趨勢性、周期性和殘差性，具體包括：

14、使用基于注意力機制的lstm算法預(yù)測趨勢項，neuralprophet算法預(yù)測周期項，xgboost算法預(yù)測殘差項，各模型輸入為待預(yù)測水質(zhì)參數(shù)前n時刻數(shù)據(jù)(包括待預(yù)測站點和研究區(qū)域其他站點)以及氣象參數(shù)前n時刻數(shù)據(jù)，具體公式為：

15、

16、式中，表示t+1時刻水質(zhì)指標(biāo)預(yù)測值，上標(biāo)m表示監(jiān)測站點，下標(biāo)n表示時刻，x表示氣象參數(shù)，上標(biāo)k表示氣象參數(shù)數(shù)量，下標(biāo)n表示時刻。

17、不同時間步長包括1小時、2小時、12小時和24小時四種時間步長。

18、進一步的，所述步驟(3)中基于注意力機制的lstm算法使用時間注意力和空間注意力，具體來說，時間注意力的權(quán)重值hj計算公式為：

19、

20、式中，vd,bd∈rm,wd∈rm×2p以及ud∈rm×m均為模型需要學(xué)習(xí)的參數(shù)，p是時間注意力中隱藏狀態(tài)的數(shù)量，σc指雙曲正切函數(shù)，σz指softmax函數(shù)，和分別是前一個lstm隱藏層在時間注意力中的隱藏狀態(tài)和單元狀態(tài)，和均為中間學(xué)習(xí)參數(shù)。

21、本研究中使用的空間注意力可以動態(tài)學(xué)習(xí)外部因素之間的空間相關(guān)性，以預(yù)測水質(zhì)指標(biāo)。該模塊通過注意力權(quán)重描述外部屬性的影響，其總和等于1。它不會忽視任何外部屬性的影響，也不會使低相關(guān)性的外部屬性扭曲水質(zhì)參數(shù)預(yù)測的結(jié)果。由于空間相關(guān)性是通過空間注意機制將注意力權(quán)重分配給原始屬性來表示的，而時間關(guān)系是通過時間注意機制將注意力權(quán)重分配給空間注意力的隱藏狀態(tài)來表示的，因此，我們可以通過同時學(xué)習(xí)空間相關(guān)性和時間相關(guān)性來學(xué)習(xí)聯(lián)合時空關(guān)系。具體來說，時空注意力的權(quán)重值h′j計算公式為：

22、

23、式中，v′d,b′d∈rm+n,w′d∈r(m+n)×2q以及u′d∈rm×m均為模型需要學(xué)習(xí)的參數(shù)，q是時空注意力中隱藏狀態(tài)的數(shù)量，σc指雙曲正切函數(shù)，σz指softmax函數(shù)，和分別是前一個lstm隱藏層在時空注意力中的隱藏狀態(tài)和單元狀態(tài)，和均為中間學(xué)習(xí)參數(shù)，表示同時聯(lián)合時空關(guān)系的串聯(lián)向量。

24、進一步的，所述步驟(5)中利用步驟(3)中建立的基于注意力機制的集成深度學(xué)習(xí)模型，利用shap分析對模型進行可解釋性解析，提高模型可應(yīng)用性，具體包括：

25、通過計算shap值，獲取模型輸入特征重要性排序以及評估了全局和局部特征對模型結(jié)果的影響，shap值的計算公式為：

26、

27、式中，表示第i個特征的貢獻(xiàn)值，n表示所有特征的集合，n表示n中特征數(shù)量，s是包含特征i的子集，v(n)是基值，表示不知道特征值的情況下，n中每個特征的預(yù)測結(jié)果。

28、本發(fā)明在河道各監(jiān)測斷面布置自動水質(zhì)監(jiān)測站，監(jiān)測記錄歷史水質(zhì)數(shù)據(jù)以及氣象數(shù)據(jù)，按時間序列排序，并進行預(yù)處理，構(gòu)建序列格式數(shù)據(jù)集；將構(gòu)建的序列格式原始數(shù)據(jù)集，以stl方法(趨勢分解方法)對待預(yù)測的原始水質(zhì)數(shù)據(jù)分解，從而獲得趨勢項、周期項和殘差項；將獲得的趨勢項、周期項和殘差項數(shù)據(jù)，分別以基于注意力機制的lstm、neuralprophet和xgboost算法進行預(yù)測模型建模，以不同時間步長預(yù)測目標(biāo)水質(zhì)參數(shù)的趨勢性、周期性和殘差性；以得到的目標(biāo)水質(zhì)參數(shù)的趨勢性、周期性和殘差性預(yù)測結(jié)果相結(jié)合，預(yù)測目標(biāo)水質(zhì)參數(shù)的時序變化；利用先前所構(gòu)建的深度學(xué)習(xí)模型attention-basedlstm，利用shap分析對模型進行可解釋性解析，提高模型可應(yīng)用性。本發(fā)明在保證經(jīng)過數(shù)據(jù)分解后的各項能夠獲取水質(zhì)變化的趨勢和周期情況的同時，提高水質(zhì)預(yù)測的精確度，有效地抑制了長時間步長模型預(yù)測中的累計誤差現(xiàn)象。