本發(fā)明涉及水環(huán)境指標(biāo)變化趨勢預(yù)測領(lǐng)域，具體來講，涉及一種水環(huán)境指標(biāo)變化趨勢預(yù)測模型建立方法、一種水環(huán)境指標(biāo)變化趨勢預(yù)測方法、一種水環(huán)境指標(biāo)變化趨勢預(yù)測模型、以及實(shí)現(xiàn)水環(huán)境指標(biāo)變化趨勢預(yù)測模型建立方法和水環(huán)境指標(biāo)變化趨勢預(yù)測方法的設(shè)備和計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)。

背景技術(shù)：

1、在當(dāng)今信息爆炸的時(shí)代，數(shù)據(jù)預(yù)測技術(shù)在各個(gè)領(lǐng)域扮演著越來越重要的角色。特別是在金融、氣象、能源等行業(yè)，準(zhǔn)確的預(yù)測能夠幫助決策者制定更加科學(xué)的策略和計(jì)劃。時(shí)間序列預(yù)測作為數(shù)據(jù)預(yù)測的一個(gè)重要分支，其目的是通過對歷史數(shù)據(jù)的分析，預(yù)測未來的趨勢或行為模式?，F(xiàn)有的時(shí)間序列預(yù)測方法主要包括統(tǒng)計(jì)模型(如arima)、機(jī)器學(xué)習(xí)方法(如支持向量機(jī)svm)和深度學(xué)習(xí)技術(shù)。盡管這些方法在某些情況下能夠提供有效的預(yù)測，但它們?nèi)源嬖谝恍┚窒扌?。例如，傳統(tǒng)的統(tǒng)計(jì)模型通常假設(shè)數(shù)據(jù)分布的特定形式，這限制了它們處理復(fù)雜數(shù)據(jù)集的能力。機(jī)器學(xué)習(xí)方法雖然在某些問題上表現(xiàn)出色，但它們通常需要手動(dòng)特征工程，這不僅耗時(shí)耗力，而且可能遺漏重要的信息。對于深度學(xué)習(xí)方法，尤其是遞歸神經(jīng)網(wǎng)絡(luò)(rnn)及其變種，如長短期記憶網(wǎng)絡(luò)(lstm)，在處理序列數(shù)據(jù)方面取得了顯著的進(jìn)展，但這些模型往往需要大量的調(diào)參工作，且容易陷入局部最優(yōu)。

2、此外，隨著模型復(fù)雜度的增加，選擇合適的網(wǎng)絡(luò)結(jié)構(gòu)和超參數(shù)變得越來越困難。超參數(shù)的設(shè)置對模型性能有顯著影響，但找到最優(yōu)的超參數(shù)組合往往需要大量的實(shí)驗(yàn)和時(shí)間。而傳統(tǒng)的網(wǎng)格搜索或隨機(jī)搜索方法在高維參數(shù)空間中效率低下，且難以保證找到全局最優(yōu)解。

技術(shù)實(shí)現(xiàn)思路

1、本發(fā)明的目的在于解決現(xiàn)有技術(shù)存在的上述不足中的至少一項(xiàng)。例如，本發(fā)明的目的之一在于提高一種基于自動(dòng)優(yōu)化算法優(yōu)化超參數(shù)和深度學(xué)習(xí)網(wǎng)絡(luò)的水環(huán)境指標(biāo)變化趨勢預(yù)測模型建立方法。

2、為了實(shí)現(xiàn)上述目的，本發(fā)明一方面提供了一種水環(huán)境指標(biāo)變化趨勢預(yù)測模型建立方法。

3、所述水環(huán)境指標(biāo)變化趨勢預(yù)測模型建立方法包括以下步驟：

4、s1、獲取目的水環(huán)境的歷史指標(biāo)數(shù)據(jù)和所述歷史指標(biāo)數(shù)據(jù)的驅(qū)動(dòng)影響因素?cái)?shù)據(jù)，用于建立訓(xùn)練數(shù)據(jù)集，其中，所述驅(qū)動(dòng)影響因素?cái)?shù)據(jù)包括氣象數(shù)據(jù)、水文數(shù)據(jù)、生活源污染排放數(shù)據(jù)、工業(yè)污染排放數(shù)據(jù)、農(nóng)業(yè)污染排放數(shù)據(jù)、內(nèi)源污染排放數(shù)據(jù)和水體自凈能力數(shù)據(jù)。

5、s2、采用自動(dòng)優(yōu)化算法確認(rèn)水環(huán)境指標(biāo)變化趨勢預(yù)測模型的超參數(shù)，其中，所述關(guān)鍵超參數(shù)包括學(xué)習(xí)率、卷積核大小和神經(jīng)元個(gè)數(shù)。

6、s3、將所述訓(xùn)練數(shù)據(jù)集用于訓(xùn)練所述水環(huán)境指標(biāo)變化趨勢預(yù)測模型，其中，所述水環(huán)境指標(biāo)變化趨勢預(yù)測模型的基礎(chǔ)網(wǎng)絡(luò)模型為卷積神經(jīng)網(wǎng)絡(luò)、長短期記憶神經(jīng)網(wǎng)絡(luò)和自注意力機(jī)制的結(jié)合。

7、在本發(fā)明水環(huán)境指標(biāo)變化趨勢預(yù)測模型建立方法的一個(gè)示例性實(shí)施例中，所述水環(huán)境指標(biāo)變化趨勢預(yù)測模型的網(wǎng)絡(luò)結(jié)構(gòu)可為依次相連的序列輸入層、卷積層、relu激活層、序列反折疊層、lstm層、自注意力機(jī)制層、全連接層和回歸層。

8、在本發(fā)明水環(huán)境指標(biāo)變化趨勢預(yù)測模型建立方法的一個(gè)示例性實(shí)施例中，所述自動(dòng)優(yōu)化算法可為模擬自動(dòng)狩獵行為的群體智能優(yōu)化算法。

9、在本發(fā)明水環(huán)境指標(biāo)變化趨勢預(yù)測模型建立方法的一個(gè)示例性實(shí)施例中，在所述步驟s3中，可采用adam優(yōu)化器或sgd優(yōu)化算法和對應(yīng)的第一訓(xùn)練參數(shù)對所述水環(huán)境指標(biāo)變化趨勢預(yù)測模型進(jìn)行訓(xùn)練。

10、在本發(fā)明水環(huán)境指標(biāo)變化趨勢預(yù)測模型建立方法的一個(gè)示例性實(shí)施例中，在所述步驟s3中，可通過反向傳播算法來優(yōu)化所述水環(huán)境指標(biāo)變化趨勢預(yù)測模型在訓(xùn)練中的權(quán)重。

11、在本發(fā)明水環(huán)境指標(biāo)變化趨勢預(yù)測模型建立方法的一個(gè)示例性實(shí)施例中，在所述步驟s3中，可通過預(yù)建立的測試集來計(jì)算所述水環(huán)境指標(biāo)變化趨勢預(yù)測模型的誤差指標(biāo)、決定系數(shù)或相關(guān)系數(shù)來評(píng)估所述水環(huán)境指標(biāo)變化趨勢預(yù)測模型的性能。

12、本發(fā)明又一方面提供了一種水環(huán)境指標(biāo)變化趨勢預(yù)測模型，所述水環(huán)境指標(biāo)變化趨勢預(yù)測模型根據(jù)上述任一項(xiàng)的水環(huán)境指標(biāo)變化趨勢預(yù)測模型建立方法得到。

13、本發(fā)明又一方面提供了一種水環(huán)境指標(biāo)變化趨勢預(yù)測方法，所述水環(huán)境指標(biāo)變化趨勢預(yù)測方法可包括：利用上述的水環(huán)境指標(biāo)變化趨勢預(yù)測模型預(yù)測所述目標(biāo)水環(huán)境的水環(huán)境指標(biāo)變化趨勢。

14、本發(fā)明再一方面提供了一種計(jì)算機(jī)設(shè)備，所述計(jì)算機(jī)設(shè)備包括：

15、處理器；存儲(chǔ)器，存儲(chǔ)有計(jì)算機(jī)程序，當(dāng)所述計(jì)算機(jī)程序被處理器執(zhí)行時(shí)，實(shí)現(xiàn)如上所述的水環(huán)境指標(biāo)變化趨勢預(yù)測模型建立方法、如上所述的水環(huán)境指標(biāo)變化趨勢預(yù)測方法中的至少一種。

16、本發(fā)明再一方面提供了一種存儲(chǔ)有計(jì)算機(jī)程序的計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)，當(dāng)所述計(jì)算機(jī)程序在被處理器執(zhí)行時(shí)實(shí)現(xiàn)如上所述的水環(huán)境指標(biāo)變化趨勢預(yù)測模型建立方法、如上所述的水環(huán)境指標(biāo)變化趨勢預(yù)測方法中的至少一種。

17、與現(xiàn)有技術(shù)相比，本發(fā)明的有益效果包括以下內(nèi)容中的至少一項(xiàng)：

18、(1)本發(fā)明通過自動(dòng)優(yōu)化算法自動(dòng)化地調(diào)整深度學(xué)習(xí)網(wǎng)絡(luò)的超參數(shù)，如學(xué)習(xí)率、卷積核大小和神經(jīng)元個(gè)數(shù)，以確保了模型訓(xùn)練過程中參數(shù)設(shè)置的最優(yōu)性。這種自動(dòng)化的超參數(shù)調(diào)整不僅節(jié)省了大量手動(dòng)調(diào)整的時(shí)間和精力，而且提高了模型訓(xùn)練的精度和效率。與傳統(tǒng)的基于經(jīng)驗(yàn)或網(wǎng)格搜索的方法相比，自動(dòng)優(yōu)化算法能夠更快速地收斂到更優(yōu)解，并且顯著的提升了模型的性能。

19、(2)本發(fā)明引入了自注意力機(jī)制層，使得深度學(xué)習(xí)網(wǎng)絡(luò)能夠捕捉時(shí)間序列數(shù)據(jù)中的長距離依賴關(guān)系，從而顯著提高了模型對新數(shù)據(jù)的泛化能力。這種機(jī)制特別適用于水環(huán)境指標(biāo)變化趨勢預(yù)測，因?yàn)樗軌蚋玫靥幚砗皖A(yù)測具有復(fù)雜模式和季節(jié)性變化的水環(huán)境指標(biāo)變化趨勢數(shù)據(jù)。與僅依賴短期歷史數(shù)據(jù)的模型相比，本發(fā)明的方法能夠更準(zhǔn)確地預(yù)測未來水環(huán)境指標(biāo)變化趨勢的變化。

20、(3)本發(fā)明的深度學(xué)習(xí)網(wǎng)絡(luò)結(jié)構(gòu)經(jīng)過精心設(shè)計(jì)，包括卷積層、lstm層和自注意力層，這些層的結(jié)合使得模型能夠從訓(xùn)練數(shù)據(jù)中提取更豐富的特征，并進(jìn)行有效的特征融合，并充分利用不同網(wǎng)絡(luò)結(jié)構(gòu)的優(yōu)勢，來處理時(shí)間序列數(shù)據(jù)中的復(fù)雜特征和長期依賴關(guān)系。且通過自動(dòng)優(yōu)化算法得到的最優(yōu)超參數(shù)進(jìn)一步增強(qiáng)了模型的學(xué)習(xí)能力，使得預(yù)測結(jié)果更加貼近真實(shí)值，從而在多種誤差評(píng)價(jià)指標(biāo)上均展現(xiàn)出比現(xiàn)有技術(shù)更高的精度。

21、(4)本發(fā)明在確保預(yù)測精度的同時(shí)，通過合理的超參數(shù)設(shè)置和網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計(jì)，有效控制了模型的計(jì)算復(fù)雜度。這不僅減少了訓(xùn)練和預(yù)測過程中所需的計(jì)算資源，如內(nèi)存和處理器時(shí)間，而且加快了模型的響應(yīng)速度，使得本發(fā)明的方法更適合實(shí)時(shí)或近實(shí)時(shí)的水環(huán)境指標(biāo)變化趨勢預(yù)測應(yīng)用場景，對于需要快速?zèng)Q策的水環(huán)境系統(tǒng)運(yùn)行管理具有重要意義。

22、(5)本發(fā)明的通過自動(dòng)優(yōu)化算法的迭代搜索過程，能夠在多種不同的數(shù)據(jù)分布和噪聲條件下找到魯棒的超參數(shù)組合。這種魯棒性使得模型不僅在訓(xùn)練數(shù)據(jù)上表現(xiàn)良好，也能夠適應(yīng)各種實(shí)際運(yùn)行中的不確定性和變化，如天氣變化、節(jié)假日效應(yīng)等。與固定超參數(shù)設(shè)置的模型相比，本發(fā)明的方法具有更強(qiáng)的適應(yīng)性和穩(wěn)定性，能夠提供更加可靠的水環(huán)境指標(biāo)變化趨勢預(yù)測結(jié)果。

技術(shù)特征：

1.一種水環(huán)境指標(biāo)變化趨勢預(yù)測模型建立方法，其特征在于，所述水環(huán)境指標(biāo)預(yù)測模型建立方法包括以下步驟：

2.根據(jù)權(quán)利要求1所述的水環(huán)境指標(biāo)變化趨勢預(yù)測模型建立方法，其特征在于，所述水環(huán)境指標(biāo)變化趨勢預(yù)測模型的網(wǎng)絡(luò)結(jié)構(gòu)為依次相連的序列輸入層、卷積層、relu激活層、序列反折疊層、lstm層、自注意力機(jī)制層、全連接層和回歸層。

3.根據(jù)權(quán)利要求1所述的水環(huán)境指標(biāo)變化趨勢預(yù)測模型建立方法，其特征在于，所述自動(dòng)優(yōu)化算法為模擬自動(dòng)狩獵行為的群體智能優(yōu)化算法。

4.根據(jù)權(quán)利要求1所述的水環(huán)境指標(biāo)變化趨勢預(yù)測模型建立方法，其特征在于，在所述步驟s3中，采用adam優(yōu)化器或sgd優(yōu)化算法和對應(yīng)的第一訓(xùn)練參數(shù)對所述水環(huán)境指標(biāo)變化趨勢預(yù)測模型進(jìn)行訓(xùn)練。

5.根據(jù)權(quán)利要求1所述的水環(huán)境指標(biāo)變化趨勢預(yù)測模型建立方法，其特征在于，在所述步驟s3中，通過反向傳播算法來優(yōu)化所述水環(huán)境指標(biāo)變化趨勢預(yù)測模型在訓(xùn)練中的權(quán)重。

6.根據(jù)權(quán)利要求1所述的水環(huán)境指標(biāo)變化趨勢預(yù)測模型建立方法，其特征在于，在所述步驟s3中，通過預(yù)建立的測試集來計(jì)算所述水環(huán)境指標(biāo)變化趨勢預(yù)測模型的誤差指標(biāo)、決定系數(shù)或相關(guān)系數(shù)來評(píng)估所述水環(huán)境指標(biāo)變化趨勢預(yù)測模型的性能。

7.一種水環(huán)境指標(biāo)變化趨勢預(yù)測模型，其特征在于，所述水環(huán)境指標(biāo)變化趨勢預(yù)測模型根據(jù)權(quán)利要求1～6任一項(xiàng)所述的水環(huán)境指標(biāo)變化趨勢預(yù)測模型建立方法得到。

8.一種水環(huán)境指標(biāo)變化趨勢預(yù)測方法，其特征在于，所述水環(huán)境指標(biāo)變化趨勢預(yù)測方法包括：利用權(quán)利要求7所述的水環(huán)境指標(biāo)變化趨勢預(yù)測模型預(yù)測所述目標(biāo)水環(huán)境的水環(huán)境指標(biāo)變化趨勢。

9.一種計(jì)算機(jī)設(shè)備，其特征在于，所述計(jì)算機(jī)設(shè)備包括：

10.一種計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)，其上存儲(chǔ)有計(jì)算機(jī)程序指令，其特征在于，所述計(jì)算機(jī)程序指令被處理器執(zhí)行時(shí)實(shí)現(xiàn)權(quán)利要求1～6中任意一項(xiàng)所述的水環(huán)境指標(biāo)變化趨勢預(yù)測模型建立方法，或者實(shí)現(xiàn)根據(jù)權(quán)利要求8所述的水環(huán)境指標(biāo)變化趨勢預(yù)測方法。

技術(shù)總結(jié)
本發(fā)明提供了一種水環(huán)境指標(biāo)變化趨勢預(yù)測和模型建立方法、設(shè)備及介質(zhì)，模型建立方法包括以下步驟：獲取目的水環(huán)境的歷史指標(biāo)數(shù)據(jù)和歷史指標(biāo)數(shù)據(jù)的驅(qū)動(dòng)影響因素?cái)?shù)據(jù)，用于建立訓(xùn)練數(shù)據(jù)集；采用自動(dòng)優(yōu)化算法確認(rèn)水環(huán)境指標(biāo)變化趨勢預(yù)測模型的超參數(shù)，其中，關(guān)鍵超參數(shù)包括學(xué)習(xí)率、卷積核大小和神經(jīng)元個(gè)數(shù)；將訓(xùn)練數(shù)據(jù)集用于訓(xùn)練水環(huán)境指標(biāo)變化趨勢預(yù)測模型，其中，水環(huán)境指標(biāo)變化趨勢預(yù)測模型的基礎(chǔ)網(wǎng)絡(luò)模型為卷積神經(jīng)網(wǎng)絡(luò)、長短期記憶神經(jīng)網(wǎng)絡(luò)和自注意力機(jī)制的結(jié)合。本發(fā)明基于CNN?LSTM?Attention神經(jīng)網(wǎng)絡(luò)模型且采用自動(dòng)優(yōu)化算法調(diào)整超參數(shù)，以確保了模型訓(xùn)練過程中參數(shù)設(shè)置的最優(yōu)性，獲得更強(qiáng)的適應(yīng)性和穩(wěn)定性，能夠提供更加可靠的水環(huán)境指標(biāo)變化趨勢預(yù)測結(jié)果。

技術(shù)研發(fā)人員：劉傳琨,陳明揚(yáng),王維,趙康平,黃田,汪洋,陳啟華,呂思璐,陳奕彤
受保護(hù)的技術(shù)使用者：四川省環(huán)境政策研究與規(guī)劃院
技術(shù)研發(fā)日：
技術(shù)公布日：2025/1/9