基于深度学习的水质预测方法、装置、设备及介质与流程
本发明涉及水质预测，尤其是涉及一种基于深度学习的水质预测方法、装置、设备及介质。
背景技术：
1、水质预测能够提高环境保护与水资源管理效率、减少污染物排放、应对水环境事故、维护生态平衡、确保农业生产和城市供水安全，为科学研究和政策制定提供支持。
2、河道水质预测的传统方法主要包括基于统计模型和基于物理过程的模型。这些方法虽然在一定程度上可以预测水质变化，但也存在一些缺点，预测精度有限：由于水质受到多种因素的影响，并且受到随机性的影响，传统方法在预测水质变化时精度有限，特别是长期和跨区域的预测。时空尺度不足：传统方法有时难以处理不同时空尺度下水质的变化，例如无法很好地捕捉季节性和地理差异性等影响。模型泛化能力差：一些传统方法在面对新的环境或条件时，泛化能力较差，需要重新调整参数或重新建模。因此，需要不断探索新的方法和技术，以提高水质预测的准确性和可靠性。
技术实现思路
1、有鉴于此，本发明的目的在于提供一种基于深度学习的水质预测方法、装置、设备及介质，可以显著提高水质预测的准确性和可靠性。
2、第一方面，本发明实施例提供了一种基于深度学习的水质预测方法，包括：
3、获取待研究的断面覆盖流域处的原始数据，并基于所述原始数据生成长序列时序数据，所述长序列时序数据用于体现水质断面监测情况和水质污染影响情况；
4、通过基于改进transformer的目标水质预测模型，提取所述长序列时序数据的第一依赖关系矩阵、时间特征矩阵和位置特征矩阵，基于所述第一依赖关系矩阵、所述时间特征矩阵和所述位置特征矩阵的融合结果，生成所述断面覆盖流域对应的水质预测结果。
5、在一种实施方式中，所述原始数据包括dem数据、初始入河排污口数据、初始土地覆盖类型、河流断面监测数据、初始气候数据、初始水文数据、初始蒸散发数据、初始河网数据中的一种或多种；
6、所述长序列时序数据包括当前断面监测数据、上游断面监测数据、目标入河排污口数据、流域平均坡度数据、目标气候数据、河网属性数据、流域土地覆盖指标、目标水文数据、流域平均降雨量数据中的一种或多种。
7、在一种实施方式中，基于改进transformer的目标水质预测模型包括时间序列嵌入层、编码器和解码器；
8、提取所述长序列时序数据的第一依赖关系矩阵、时间特征矩阵和位置特征矩阵，基于所述第一依赖关系矩阵、所述时间特征矩阵和所述位置特征矩阵的融合结果，生成所述断面覆盖流域对应的水质预测结果的步骤，包括：
9、通过所述时间序列嵌入层，捕捉所述长序列时序数据中的第一依赖关系矩阵，以及提取所述长序列时序数据的时间特征矩阵和位置特征矩阵，并对所述第一依赖关系矩阵、所述时间特征矩阵和所述位置特征矩阵进行特征融合得到融合结果；
10、通过所述编码器和所述解码器，对所述融合结果进行编码处理和解码处理，生成所述断面覆盖流域对应的水质预测结果。
11、在一种实施方式中，所述时间序列嵌入层包括邻近卷积单元、时间编码单元和位置编码单元；
12、捕捉所述长序列时序数据中的第一依赖关系矩阵，以及提取所述长序列时序数据的时间特征矩阵和位置特征矩阵的步骤，包括：
13、通过所述邻近卷积单元，利用不用大小的卷积核对所述长序列时序数据进行卷积处理，以捕捉所述长序列时序数据中的第一依赖关系矩阵；
14、通过所述时间编码单元，将所述长序列时序数据的时间信息分解为向量形式的特征，并利用卷积神经网络基于所述向量形式的特征生成时间特征矩阵；
15、通过所述位置编码单元，对所述长序列时序数据进行正弦波位置编码，以提取所述长序列时序数据的位置特征矩阵。
16、在一种实施方式中，所述编码器包括多个第一卷积注意力单元和下采样层，所述解码器包括第二卷积注意力单元、多头注意力单元和全连接层；
17、对所述融合结果进行编码处理和解码处理，生成所述断面覆盖流域对应的水质预测结果的步骤，包括：
18、通过所述第一卷积注意力单元，对所述融合结果中的非重要特征进行抑制，并提取所述融合结果中的重要特征；通过所述下采样层，对所述融合结果中的所述重要特征进行下采样处理得到编码特征；
19、通过所述第二卷积注意力单元，对所述编码特征中的非重要特征进行抑制，并提取所述编码特征中的重要特征；通过所述多头注意力单元，捕捉所述编码特征中的所述重要特征的第二依赖关系矩阵；通过所述全连接层对所述第二依赖关系矩阵进行降维处理，得到所述断面覆盖流域对应的水质预测结果。
20、在一种实施方式中，所述基于改进transformer的目标水质预测模型的训练步骤，包括：
21、获取训练长序列时序数据，并基于所述训练长序列时序数据构建多任务数据集，多任务包括多地区水质预测任务、多水质参数预测任务、多时间尺度预测任务、多特征学习任务中的一种或多种；
22、通过改进transformer的初始水质预测模型，对所述多任务数据集进行水质预测，以生成所述多任务数据集对应的水质预测结果；
23、基于所述多任务数据集对应的水质预测结果确定损失函数，利用迁移学习基于所述损失函数对改进transformer的初始水质预测模型进行训练和微调，得到目标水质预测模型。
24、在一种实施方式中，所述损失函数包括多地区水质预测任务损失、多水质参数预测任务损失、多时间尺度预测任务损失、多特征学习任务损失和正则化项，以平衡不同任务之间的重要性。
25、第二方面，本发明实施例还提供一种基于深度学习的水质预测装置，包括：
26、数据生成模块，用于获取待研究的断面覆盖流域处的原始数据，并基于所述原始数据生成长序列时序数据，所述长序列时序数据用于体现水质断面监测情况和水质污染影响情况；
27、水质预测模块，用于通过基于改进transformer的目标水质预测模型，提取所述长序列时序数据的第一依赖关系矩阵、时间特征矩阵和位置特征矩阵，基于所述第一依赖关系矩阵、所述时间特征矩阵和所述位置特征矩阵的融合结果，生成所述断面覆盖流域对应的水质预测结果。
28、第三方面，本发明实施例还提供一种电子设备，包括处理器和存储器，所述存储器存储有能够被所述处理器执行的计算机可执行指令，所述处理器执行所述计算机可执行指令以实现第一方面提供的任一项所述的方法。
29、第四方面，本发明实施例还提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机可执行指令，所述计算机可执行指令在被处理器调用和执行时，计算机可执行指令促使处理器实现第一方面提供的任一项所述的方法。
30、本发明实施例提供的一种基于深度学习的水质预测方法、装置、设备及介质，首先获取待研究的断面覆盖流域处的原始数据，然后基于原始数据生成长序列时序数据，长序列时序数据用于体现水质断面监测情况和水质污染影响情况；最后通过基于改进transformer的目标水质预测模型，提取长序列时序数据的第一依赖关系矩阵、时间特征矩阵和位置特征矩阵，基于第一依赖关系矩阵、时间特征矩阵和位置特征矩阵的融合结果，生成断面覆盖流域对应的水质预测结果。上述方法结合了水质断面监测情况和水质污染影响情况，利用基于改进transformer的目标水质预测模型对数据的依赖关系矩阵、时间特征矩阵和位置特征矩阵进行提取，并在此基础上生成水质预测结果，可以显著提高水质预测的准确性和可靠性。
31、本发明的其他特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点在说明书、权利要求书以及附图中所特别指出的结构来实现和获得。
32、为使本发明的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。
技术特征：
1.一种基于深度学习的水质预测方法，其特征在于，包括：
2.根据权利要求1所述的基于深度学习的水质预测方法，其特征在于，所述原始数据包括dem数据、初始入河排污口数据、初始土地覆盖类型、河流断面监测数据、初始气候数据、初始水文数据、初始蒸散发数据、初始河网数据中的一种或多种；
3.根据权利要求1所述的基于深度学习的水质预测方法，其特征在于，基于改进transformer的目标水质预测模型包括时间序列嵌入层、编码器和解码器；
4.根据权利要求3所述的基于深度学习的水质预测方法，其特征在于，所述时间序列嵌入层包括邻近卷积单元、时间编码单元和位置编码单元；
5.根据权利要求3所述的基于深度学习的水质预测方法，其特征在于，所述编码器包括多个第一卷积注意力单元和下采样层，所述解码器包括第二卷积注意力单元、多头注意力单元和全连接层；
6.根据权利要求1所述的基于深度学习的水质预测方法，其特征在于，所述基于改进transformer的目标水质预测模型的训练步骤，包括：
7.根据权利要求6所述的基于深度学习的水质预测方法，其特征在于，所述损失函数包括多地区水质预测任务损失、多水质参数预测任务损失、多时间尺度预测任务损失、多特征学习任务损失和正则化项，以平衡不同任务之间的重要性。
8.一种基于深度学习的水质预测装置，其特征在于，包括：
9.一种电子设备，其特征在于，包括处理器和存储器，所述存储器存储有能够被所述处理器执行的计算机可执行指令，所述处理器执行所述计算机可执行指令以实现权利要求1至7任一项所述的方法。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机可执行指令，所述计算机可执行指令在被处理器调用和执行时，计算机可执行指令促使处理器实现权利要求1至7任一项所述的方法。
技术总结
本发明提供了一种基于深度学习的水质预测方法、装置、设备及介质，包括：获取待研究的断面覆盖流域处的原始数据，并基于原始数据生成长序列时序数据，长序列时序数据用于体现水质断面监测情况和水质污染影响情况；通过基于改进Transformer的目标水质预测模型，提取长序列时序数据的第一依赖关系矩阵、时间特征矩阵和位置特征矩阵，基于第一依赖关系矩阵、时间特征矩阵和位置特征矩阵的融合结果，生成断面覆盖流域对应的水质预测结果。本发明可以显著提高水质预测的准确性和可靠性。
技术研发人员：王昊,王宇翔,尹倩,尤小刚,刘凯,周晓媛,段利民,王国强,廖通逵,宋晓斌
受保护的技术使用者：航天宏图信息技术股份有限公司
技术研发日：
技术公布日：2024/9/23