水質(zhì)預測是水環(huán)境污染防治的重要方面,利用長期大量收集的水質(zhì)監(jiān)測數(shù)據(jù)就可以對水質(zhì)污染趨勢進行預測,這對水環(huán)境的管理和規(guī)劃具有重要意義。針對如何及時有效地預測水質(zhì)這一問題,本研究提出一種整合的水質(zhì)預測模型,這一模型可以基于歷史的水質(zhì)監(jiān)測數(shù)據(jù)預測未來一段時間多個時刻的水質(zhì)狀況,為水資源的有效調(diào)控與管理提供預先的數(shù)據(jù)指導。本研究所做的貢獻主要體現(xiàn)在兩個方面,包括對水質(zhì)數(shù)據(jù)的預處理和提出采用基于注意力機制的序列到序列的深度學習模型進行水質(zhì)預測,具體如下:首先是針對水質(zhì)的時間序列的預處理。本研究所使用的數(shù)據(jù)集為國家地表水水質(zhì)自動監(jiān)測實時數(shù)據(jù)發(fā)布系統(tǒng)發(fā)布的水質(zhì)指標數(shù)據(jù)集,在獲取原始數(shù)據(jù)后,就需要進行數(shù)據(jù)預處理。這一過程中包括缺失值補充、標準化處理和平滑降噪三個重要內(nèi)容。插入缺失值來保證序列數(shù)據(jù)等間隔,即在同等時間粒度下的水質(zhì)指標分布;標準化后的時間序列中,各水質(zhì)指標的數(shù)值范圍一致,能使后續(xù)的預測模型具有更好的精確性;在自然環(huán)境中存在的異常事件會使水質(zhì)突變,產(chǎn)生的噪聲數(shù)據(jù)會影響水質(zhì)序列的數(shù)據(jù)分布,這將會大大影響訓練生成模型的準確性。為了降低噪聲數(shù)據(jù)的影響,需要對原始時序數(shù)據(jù)進行降噪處理,去除數(shù)據(jù)中的噪...

【文章頁數(shù)】：65 頁

【學位級別】：碩士

【文章目錄】：
摘要
Abstract
第1章 緒論
    1.1 研究背景與意義
    1.2 國內(nèi)外研究現(xiàn)狀
    1.3 本文研究內(nèi)容與貢獻
    1.4 本文組織結(jié)構(gòu)
第2章 預測算法綜述
    2.1 水質(zhì)時序預測的經(jīng)典模型
        2.1.1 差分整合移動平均自回歸模型
        2.1.2 支持向量回歸模型
    2.2 神經(jīng)網(wǎng)絡(luò)模型
        2.2.1 人工神經(jīng)網(wǎng)絡(luò)
        2.2.2 長短期記憶神經(jīng)網(wǎng)絡(luò)
    2.3 基于注意力機制的序列到序列模型
        2.3.1 序列到序列模型
        2.3.2 基于注意力機制的序列到序列模型
    2.4 本章小結(jié)
第3章 數(shù)據(jù)集與序列平滑
    3.1 數(shù)據(jù)集
        3.1.1 數(shù)據(jù)集簡介
        3.1.2 水質(zhì)時間序列
        3.1.3 數(shù)據(jù)補全
        3.1.4 數(shù)據(jù)標準化
    3.2 序列平滑方法
        3.2.1 中值濾波
        3.2.2 均值濾波
        3.2.3 Savitzky-Golay(SG)濾波器
        3.2.4 不同濾波算法的實驗分析
    3.3 本章小結(jié)
第4章 單要素的水質(zhì)預測實驗分析
    4.1 實驗準備及數(shù)據(jù)預處理
        4.1.1 模型評價方法
        4.1.2 時序數(shù)據(jù)轉(zhuǎn)換為有監(jiān)督數(shù)據(jù)
    4.2 單要素水質(zhì)預測模型
        4.2.1 基于ARIMA的水質(zhì)預測模型
        4.2.2 基于SVR的水質(zhì)預測模型
        4.2.3 基于ANN的水質(zhì)預測模型
        4.2.4 基于LSTM神經(jīng)網(wǎng)絡(luò)的水質(zhì)預測模型
    4.3 實驗結(jié)果分析
        4.3.1 實驗總結(jié)
        4.3.2 實驗結(jié)果分析
    4.4 本章小結(jié)
第5章 多要素水質(zhì)預測實驗分析
    5.1 實驗準備及數(shù)據(jù)預處理
        5.1.1 特征篩選方法
        5.1.2 損失函數(shù)選擇
    5.2 多要素水質(zhì)預測模型
        5.2.1 序列到序列模型的多要素水質(zhì)預測
        5.2.2 基于注意力機制的序列到序列的多要素水質(zhì)預測
    5.3 實驗結(jié)果分析
        5.3.1 實驗總結(jié)
        5.3.2 實驗結(jié)果分析
    5.4 本章小結(jié)
結(jié)論
參考文獻
攻讀碩士學位期間取得的研究成果
致謝



本文編號：3842922