本發(fā)明涉及一種水質(zhì)污染物的溯源方法，特別是涉及一種基于改進的注意力模塊、改進的變分自編碼器、異構(gòu)圖注意力神經(jīng)網(wǎng)絡(luò)模型的水質(zhì)污染物溯源方法。

背景技術(shù)：

1、人們的生活和水環(huán)境息息相關(guān)，近年來，我國水環(huán)境質(zhì)量持續(xù)好轉(zhuǎn)，但水環(huán)境風(fēng)險及管控形式依然嚴峻。隨著大數(shù)據(jù)、人工智能、云計算和物聯(lián)網(wǎng)等為代表的新一代信息技術(shù)高度發(fā)展，正在給傳統(tǒng)的生態(tài)環(huán)境領(lǐng)域帶來新的變革。新一代信息技術(shù)手段支持短時分析突出的水生態(tài)環(huán)境問題，使得水生態(tài)環(huán)境領(lǐng)域決策和治理邁向智能化。其中河流突發(fā)性水污染事件溯源，也被稱為污染源識別定位問題，其基于監(jiān)測的水質(zhì)指標數(shù)據(jù)，追蹤定位進入河道的污染物質(zhì)的來源，尋找出污染泄露節(jié)點、泄露時間、泄露強度等污染源關(guān)鍵信息。對引起突發(fā)水污染事件發(fā)生的污染物進行溯源分析是有效獲取水域污染情況的關(guān)鍵和前提條件，對及時治理水環(huán)境污染有著十分重大的意義。

2、現(xiàn)有的水污染溯源方法主要有數(shù)值模擬分析法、優(yōu)化方法和概率統(tǒng)計法。數(shù)值模擬分析法通過及時反演控制方程，重建觀測污染物的歷史分布，解決了溯源問題。然而，該方法無法有效地處理不確定性、非線性等過程，這些方法不能很好地處理河流網(wǎng)上的有向圖拓撲結(jié)構(gòu)信息，且自適應(yīng)能力和學(xué)習(xí)能力較差，存在對輸入?yún)?shù)要求較高、溯源計算誤差大等問題。優(yōu)化方法則通過最小化污染物濃度觀測值與預(yù)測值的差值，從而得到污染源參數(shù)的識別值。優(yōu)化方法一般是將污染源識別問題轉(zhuǎn)化為極值優(yōu)化問題，目前常見的污染源識別優(yōu)化算法有遺傳算法(genetic?algorithm)、模擬退火算法(simulated?annealingalgorithm)、粒子群優(yōu)化算法(particle?swarm?optimization?algorithm)以及混合優(yōu)化算法等。然而，優(yōu)化方法在求解過程中往往容易陷入局部最優(yōu)，無法及時找到全局最優(yōu)解。概率統(tǒng)計法通過對事件的發(fā)生概率進行估計，不斷改進基于似然函數(shù)的識別值來識別污染源的參數(shù)，主要方法有貝葉斯推理、最小相對熵等。然而概率統(tǒng)計法難以對非線性的水質(zhì)指標變化進行精準捕捉，導(dǎo)致其溯源準確度較低。因此，目前缺乏有效的水環(huán)境污染事件溯源方法。

技術(shù)實現(xiàn)思路

1、針對以上數(shù)值模擬分析法、優(yōu)化方法和概率統(tǒng)計法進行污染物溯源的不足，本發(fā)明提供一種基于改進的注意力模塊、改進的變分自編碼器以及異構(gòu)圖注意力神經(jīng)網(wǎng)絡(luò)模型的水污染物溯源方法。包括：基于改進的注意力模塊和改進的變分自編碼器判斷水質(zhì)異常分布；基于異構(gòu)圖注意力神經(jīng)網(wǎng)絡(luò)模型實現(xiàn)污染物和水質(zhì)監(jiān)測斷面的污染溯源。本發(fā)明通過以下技術(shù)方案來實現(xiàn)。

2、一種基于圖注意力神經(jīng)網(wǎng)絡(luò)的水污染事件污染物溯源方法，該方法包括如下步驟：

3、1)獲取污染物排放環(huán)境水污染數(shù)據(jù)；

4、2)對同一特征的水質(zhì)時間序列進行全局時序編碼，并用改進的注意力模塊提取多種特征之間的相關(guān)性；

5、3)在2)的基礎(chǔ)上，將數(shù)據(jù)輸入改進的變分自編碼器進行重建時序分布，判斷是否發(fā)生突發(fā)水污染事件；

6、4)在3)的基礎(chǔ)上，對污染物和監(jiān)測斷面的空間和時序依賴構(gòu)建異構(gòu)時空圖；

7、5)在4)的基礎(chǔ)上，對異常的上游水質(zhì)監(jiān)測斷面及周圍的污染物進行溯源。

技術(shù)特征：

1.一種面向水污染事件的溯源分析方法，其特征在于，該方法包括如下步驟：

2.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述基于水污染事件的水污染數(shù)據(jù)，訓(xùn)練所述突發(fā)水污染事件溯源模型，包括：

3.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述基于突發(fā)水污染事件溯源模型對異常的上游水質(zhì)監(jiān)測斷面及周圍的污染物進行污染溯源，包括：

4.根據(jù)權(quán)利要求2和權(quán)利要求3所述的方法，其特征在于，所述基于改進的注意力模塊、改進的變分自編碼器、異構(gòu)圖注意力神經(jīng)網(wǎng)絡(luò)模型搭建突發(fā)水污染事件溯源模型，包括：

技術(shù)總結(jié)
本發(fā)明涉及一種面向水污染事件的溯源分析方法，特別是涉及一種基于改進的注意力模塊、改進的變分自編碼器、異構(gòu)圖注意力神經(jīng)網(wǎng)絡(luò)模型結(jié)合的水質(zhì)污染物溯源方法。該方法首先利用改進的注意力模塊提取水污染特征之間的相關(guān)性，接著將數(shù)據(jù)輸入改進的變分自編碼器進行重建時序分布，判斷是否為水污染事件。而后對污染源和水質(zhì)監(jiān)測斷面的空間和時序依賴構(gòu)建異構(gòu)時空圖，最后對異常的上游水質(zhì)監(jiān)測斷面及周圍的污染物進行溯源，確定污染源的位置。

技術(shù)研發(fā)人員：畢敬,袁明興,王梓奇,林永澤
受保護的技術(shù)使用者：北京工業(yè)大學(xué)
技術(shù)研發(fā)日：
技術(shù)公布日：2025/1/6