一种基于LSTM-Transformer混合模型的河流水质模拟方法、设备、介质及产品

本申请涉及河流水质模拟领域，特别是涉及一种基于lstm-transformer混合模型的河流水质模拟方法、设备、介质及产品。

背景技术：

1、河流是全球淡水资源的主要载体，其水质变化直接决定着饮用水安全、农业灌溉效能、工业用水可持续性以及水生生态系统的稳定性。因此，实现河流水质参数的精确模拟与预测，对于河流水质管理与水生生态系统的保护具有重要的科学意义与工程应用价值。

2、传统基于物理过程的流域水文水质模型，如土壤和水评估工具（soil and waterassessment tool，swat）、mike系列模型，以水文学、水动力学和物理学的基本原理为理论基础，能够在不同流域特征与地形条件下，实现对水质过程的精细化模拟预测。然而，这类模型通常面临数据需求量大、参数复杂且校准困难的问题，模型精度也高度依赖于高分辨率地形、气象、土地利用等数据。

3、目前，深度学习技术因其出色的数据分析与挖掘能力以及良好的适用性被逐渐应用于水环境领域。近些年来人工神经网络（artificial neural network，ann）、长短时记忆网络（long short-term memory，lstm）等数据驱动模型在水质模拟预测方面受到广泛关注和研究。该类方法无需预先构建复杂的物理或生化反应机理方程，能够自动挖掘学习输入变量与输出变量之间潜在的映射关系，并基于所学习到的规律实现对水质参数的准确模拟与预测，具有可以快速构建的特点和模型结构相对简单、易于掌握、易推广等优点。

4、lstm凭借其优异的时序建模能力，已成为当前水质模拟领域中应用最为广泛的模型之一。其核心的门控机制—由输入门、遗忘门和输出门构成的三元调控系统能够动态调控信息的流动与保存，实现对时序信息的有效记忆。中国发明专利（申请号2024115165725）提供一种基于igwo-lstm的河流水质模拟预测方法，将改进灰狼优化算法（improved greywolf optimizer，igwo）用于lstm模型参数优选，利用lstm捕捉时间序列数据中的长期依赖关系和周期性变化，实现对河流水质模拟预测，然而，由于该模型采用递归计算方式，随着处理序列不断叠加，存在信息衰减与记忆混淆的问题。transformer模型近年来在水质模拟领域展现出良好的应用前景，模型采用自注意力机制，可直接捕获任意两个时间步之间的复杂依赖关系，突破了传统的序列递归计算范式。中国发明专利(申请号2024112829527)提供一种基于patchsavitsky-golay滤波和transformer模型的水质参数模拟预测方法，利用transformer模型的自注意力机制处理时间序列的非线性特性，从而增强模型对序列长期依赖关系的捕捉能力，提升水质参数模拟预测的精度和可靠性，但由于其自注意力机制将所有时间步视为平等关系，弱化了时间顺序的偏置性，在局部细节捕捉上存在偏差。

技术实现思路

1、本申请的目的是提供一种基于lstm-transformer混合模型的河流水质模拟方法、设备、介质及产品，以缓解单一lstm在长程依赖中的信息衰减与记忆混淆问题，以及transformer在局部特征提取时存在的细节捕捉偏差问题，从而提升水质模拟效果。

2、为实现上述目的，本申请提供了如下方案：

3、第一方面，本申请提供了一种基于lstm-transformer混合模型的河流水质模拟方法，包括：

4、s1，获取目标流域站点的多参数水质监测数据并进行预处理，得到数据集；

5、s2，根据所述数据集筛选模型输入特征和模型输出特征；

6、s3，根据所述模型输入特征和所述模型输出特征提取模型输入序列和模型输出序列，并对模型输入序列和模型输出序列进行归一化处理，得到归一化后的模型输入序列和归一化后的模型输出序列；

7、s4，将所述归一化后的模型输入序列和归一化后的模型输出序列划分为训练样本集、验证样本集和测试样本集；

8、s5，构建包含lstm模块、transformer模块和全链接层模块的lstm-transformer混合模型，并利用所述训练样本集和所述验证样本集进行迭代训练，得到训练好的lstm-transformer混合模型；

9、s6，根据所述测试样本集和所述训练好的lstm-transformer混合模型，得到水质参数的模拟结果。

10、第二方面，本申请提供了一种计算机设备，包括：存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序以实现上述的基于lstm-transformer混合模型的河流水质模拟方法。

11、第三方面，本申请提供了一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现上述的基于lstm-transformer混合模型的河流水质模拟方法。

12、第四方面，本申请提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现上述的基于lstm-transformer混合模型的河流水质模拟方法。

13、根据本申请提供的具体实施例，本申请具有以下技术效果：

14、本申请通过对多参数水质监测数据进行预处理与特征筛选，构建包含lstm模块、transformer模块和全链接层模块的lstm-transformer混合模型进行训练与模拟，有效解决了单一模型在水质时序模拟中存在的局限性，根据所述测试样本集和所述训练好的lstm-transformer混合模型，得到水质参数的模拟结果；其中，lstm模块能够完整保留时间维度上的顺序性，有效缓解了传统lstm模型随处理序列增长存在的信息衰减与记忆混淆问题；同时，transformer模块实现了全局注意力关注，弥补了单一transformer模型因弱化时间顺序偏置性导致的局部细节捕捉偏差问题，两者有机融合实现了优势互补，更深入地挖掘了时序数据中的深层信息，从而提升了河流水质参数模拟的精度与可靠性。

1.一种基于lstm-transformer混合模型的河流水质模拟方法，其特征在于，包括：

2.根据权利要求1所述的基于lstm-transformer混合模型的河流水质模拟方法，其特征在于，获取目标流域站点的多参数水质监测数据并进行预处理，得到数据集，包括：

3.根据权利要求1所述的基于lstm-transformer混合模型的河流水质模拟方法，其特征在于，根据所述数据集筛选模型输入特征和模型输出特征，包括：

4.根据权利要求1所述的基于lstm-transformer混合模型的河流水质模拟方法，其特征在于，对模型输入序列和模型输出序列进行归一化处理，得到归一化后的模型输入序列和归一化后的模型输出序列，包括：

5.根据权利要求1所述的基于lstm-transformer混合模型的河流水质模拟方法，其特征在于，将所述归一化后的模型输入序列和归一化后的模型输出序列划分为训练样本集、验证样本集和测试样本集，包括：

6.根据权利要求1所述的基于lstm-transformer混合模型的河流水质模拟方法，其特征在于，所述lstm-transformer混合模型，包括前向传播过程：

7.根据权利要求1所述的基于lstm-transformer混合模型的河流水质模拟方法，其特征在于，根据所述测试样本集和所述训练好的lstm-transformer混合模型，得到水质参数的模拟结果之后，还包括：

8.一种计算机设备，包括：存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序以实现权利要求1-7中任一项所述的基于lstm-transformer混合模型的河流水质模拟方法。

9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现权利要求1-7中任一项所述的基于lstm-transformer混合模型的河流水质模拟方法。

10.一种计算机程序产品，包括计算机程序，其特征在于，该计算机程序被处理器执行时实现权利要求1-7中任一项所述的基于lstm-transformer混合模型的河流水质模拟方法。