基于决策树算法的水厂实时投药量预测方法、装置及介质与流程

1.本发明涉及水处理技术领域，尤其涉及一种基于决策树算法的水厂实时投药量预测方法、装置及介质。


背景技术：

2.供水系统是现代化城市建设的一个重要方面，在饮用水水质规范中，浊度是一项重要指标，直接关系到水质的好坏。加药絮凝沉淀是自来水厂水处理工艺中的一道重要工序，其效果将直接影响后续工艺和出厂水质。混凝是水厂工艺中的关键技术，直接影响水厂制水质量，而影响混凝效果的重要因素是混凝剂药量的投加量。
3.水厂运行中能耗和药耗对水处理的成本影响很大，在传统工艺情况下，往往依据运行管理人员的经验，人为设定投药量，这样导致出水浊度波动较大；或者投药量过大，导致水处理的成本增加。


技术实现要素：

4.本发明实施例所要解决的技术问题在于，提供一种基于决策树算法的水厂实时投药量预测方法、装置及介质，基于决策树算法对历史投药数据进行实时预测分析，以实现准确预测实时投药量，从而在保证出水水质稳定的前提下，科学配置投药量，降低水厂水处理的成本。
5.为了实现上述目的，本发明实施例提供了一种基于决策树算法的水厂实时投药量预测方法，包括：
6.获取水厂历史投药数据，其中，所述投药数据包括投药时间、实时原水流量、原水浊度、原水水温、原水ph值、絮凝剂用量、助凝剂用量和出水浊度；
7.对所述历史投药数据进行预处理，得到样本数据，并按照预设比例将所述样本数据随机划分为训练数据和测试数据；
8.将所述训练数据输入到水厂实时投药量预测模型，对所述实时投药量预测模型进行训练，得到训练好的实时投药量预测模型；其中，所述实时投药量预测模型采用xgboost梯度提升算法，所述实时投药量预测模型包括絮凝剂预测回归器、助凝剂预测回归器和出水浊度预测回归器；
9.将所述测试数据输入到训练好的实时投药量预测模型，对所述实时投药量预测模型的预测精度进行验证；
10.获取实时原水数据，将所述实时原水数据输入到训练好的实时投药量预测模型，设置目标出水浊度，则所述实时投药量预测模型输出絮凝剂用量的预测值和助凝剂用量的预测值。
11.作为上述方案的改进，所述对所述历史投药数据进行预处理，得到样本数据，并按照预设比例将所述样本数据随机划分为训练数据和测试数据，具体包括：
12.对所述历史投药数据进行数据清洗，去除无效数据、残缺数据和异常数据；
13.对清洗后的历史投药数据进行整合，得到样本数据；
14.按照预设比例将所述样本数据随机划分为训练数据和测试数据。
15.作为上述方案的改进，所述将所述训练数据输入到水厂实时投药量预测模型，对所述实时投药量预测模型进行训练，得到训练好的实时投药量预测模型，具体包括：
16.将所述训练数据输入到水厂实时投药量预测模型；
17.根据所述训练数据中的投药时间、实时原水流量、原水浊度、原水水温、原水ph值、絮凝剂用量和出水浊度对所述絮凝剂预测回归器进行训练，得到训练好的絮凝剂预测回归器；
18.根据所述训练数据中的投药时间、实时原水流量、原水浊度、原水水温、原水ph值、助凝剂用量和出水浊度对所述助凝剂预测回归器进行训练，得到训练好的助凝剂预测回归器；
19.根据所述训练数据中的投药时间、实时原水流量、原水浊度、原水水温、原水ph值、絮凝剂用量、助凝剂用量和出水浊度对出水浊度预测回归器进行训练，得到训练好的出水浊度预测回归器；
20.将训练好的絮凝剂预测回归器、助凝剂预测回归器和出水浊度预测回归器进行整合，得到训练好的实时投药量预测模型。
21.作为上述方案的改进，所述将所述测试数据输入到训练好的实时投药量预测模型，对所述实时投药量预测模型的预测精度进行验证，具体包括：
22.将所述测试数据输入到训练好的絮凝剂预测回归器和训练好的助凝剂预测回归器，得到絮凝剂用量的预测值和助凝剂用量的预测值；
23.将所述絮凝剂用量的预测值和所述助凝剂用量的预测值输入到训练好的出水浊度预测回归器，得到出水浊度的预测值；
24.根据所述测试数据中的絮凝剂用量和所述絮凝剂用量的预测值，计算得到絮凝剂用量的预测偏差值；
25.根据所述测试数据中的助凝剂用量和所述助凝剂用量的预测值，计算得到助凝剂用量的预测偏差值；
26.根据所述测试数据中的出水浊度和所述出水浊度的预测值，计算得到出水浊度的预测偏差值；
27.根据所述絮凝剂用量的预测偏差值、所述助凝剂用量的预测偏差值和所述出水浊度的预测偏差值判断所述实时投药量预测模型的预测精度。
28.作为上述方案的改进，所述获取实时原水数据，将所述实时原水数据输入到训练好的实时投药量预测模型，设置目标出水浊度，则所述实时投药量预测模型输出絮凝剂用量的预测值和助凝剂用量的预测值之后，还包括：
29.获取采用所述絮凝剂用量的预测值和所述助凝剂用量的预测值对水厂进行投药后的实际出水浊度；
30.根据所述絮凝剂用量的预测值、所述助凝剂用量的预测值和所述实际出水浊度对所述实时投药量预测模型进行矫正。
31.作为上述方案的改进，所述根据所述絮凝剂用量的预测值、所述助凝剂用量的预测值和所述实际出水浊度对所述实时投药量预测模型进行矫正，具体为：
32.将所述絮凝剂用量的预测值、所述助凝剂用量的预测值和所述实际出水浊度添加到历史投药数据中，再对所述实时投药量预测模型进行训练，以实现对所述实时投药量预测模型进行矫正。
33.作为上述方案的改进，所述根据所述絮凝剂用量的预测值、所述助凝剂用量的预测值和所述实际出水浊度对所述实时投药量预测模型进行矫正，具体为：
34.将所述絮凝剂用量的预测值、所述助凝剂用量的预测值和所述实际出水浊度输入到絮凝剂预测回归器、助凝剂预测回归器和出水浊度预测回归器中，对所述絮凝剂预测回归器、所述助凝剂预测回归器和所述出水浊度预测回归器进行训练，以实现对所述实时投药量预测模型进行矫正。
35.本发明实施例还提供了一种基于决策树算法的水厂实时投药量预测装置，包括：
36.获取模块，用于获取水厂历史投药数据，其中，所述投药数据包括投药时间、实时原水流量、原水浊度、原水水温、原水ph值、絮凝剂用量、助凝剂用量和出水浊度；
37.预处理模块，用于对所述历史投药数据进行预处理，得到样本数据，并按照预设比例将所述样本数据随机划分为训练数据和测试数据；
38.训练模块，用于将所述训练数据输入到水厂实时投药量预测模型，对所述实时投药量预测模型进行训练，得到训练好的实时投药量预测模型；其中，所述实时投药量预测模型采用xgboost梯度提升算法，所述实时投药量预测模型包括絮凝剂预测回归器、助凝剂预测回归器和出水浊度预测回归器；
39.验证模块，用于将所述测试数据输入到训练好的实时投药量预测模型，对所述实时投药量预测模型的预测精度进行验证；
40.预测模块，用于获取实时原水数据，将所述实时原水数据输入到训练好的实时投药量预测模型，设置目标出水浊度，则所述实时投药量预测模型输出絮凝剂用量的预测值和助凝剂用量的预测值。
41.本发明实施例还提供了一种终端设备，包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序，所述处理器执行所述计算机程序时实现上述任一项所述的基于决策树算法的水厂实时投药量预测方法。
42.本发明实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质包括存储的计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行上述任一项所述的基于决策树算法的水厂实时投药量预测方法。
43.相对于现有技术，本发明实施例提供的一种基于决策树算法的水厂实时投药量预测方法、装置及介质的有益效果在于：通过获取水厂历史投药数据，其中，所述投药数据包括投药时间、实时原水流量、原水浊度、原水水温、原水ph值、絮凝剂用量、助凝剂用量和出水浊度；对所述历史投药数据进行预处理，得到样本数据，并按照预设比例将所述样本数据随机划分为训练数据和测试数据；将所述训练数据输入到水厂实时投药量预测模型，对所述实时投药量预测模型进行训练，得到训练好的实时投药量预测模型；其中，所述实时投药量预测模型采用xgboost梯度提升算法，所述实时投药量预测模型包括絮凝剂预测回归器、助凝剂预测回归器和出水浊度预测回归器；将所述测试数据输入到训练好的实时投药量预测模型，对所述实时投药量预测模型的预测精度进行验证；获取实时原水数据，将所述实时原水数据输入到训练好的实时投药量预测模型，设置目标出水浊度，则所述实时投药量预
测模型输出絮凝剂用量的预测值和助凝剂用量的预测值。本发明实施例基于决策树算法对历史投药数据进行实时预测分析，以实现准确预测实时投药量，从而在保证出水水质稳定的前提下，科学配置投药量，降低水厂水处理的成本。
附图说明
44.图1是本发明提供的一种基于决策树算法的水厂实时投药量预测方法的一个优选实施例的流程示意图；
45.图2是本发明提供的一种基于决策树算法的水厂实时投药量预测装置的一个优选实施例的结构示意图；
46.图3是本发明提供的一种终端设备的一个优选实施例的结构示意图。
具体实施方式
47.下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
48.请参阅图1，图1是本发明提供的一种基于决策树算法的水厂实时投药量预测方法的一个优选实施例的流程示意图。所述基于决策树算法的水厂实时投药量预测方法，包括：
49.s1，获取水厂历史投药数据，其中，所述投药数据包括投药时间、实时原水流量、原水浊度、原水水温、原水ph值、絮凝剂用量、助凝剂用量和出水浊度；
50.s2，对所述历史投药数据进行预处理，得到样本数据，并按照预设比例将所述样本数据随机划分为训练数据和测试数据；
51.s3，将所述训练数据输入到水厂实时投药量预测模型，对所述实时投药量预测模型进行训练，得到训练好的实时投药量预测模型；其中，所述实时投药量预测模型采用xgboost梯度提升算法，所述实时投药量预测模型包括絮凝剂预测回归器、助凝剂预测回归器和出水浊度预测回归器；
52.s4，将所述测试数据输入到训练好的实时投药量预测模型，对所述实时投药量预测模型的预测精度进行验证；
53.s5，获取实时原水数据，将所述实时原水数据输入到训练好的实时投药量预测模型，设置目标出水浊度，则所述实时投药量预测模型输出絮凝剂用量的预测值和助凝剂用量的预测值。
54.需要说明的是，本实施例采用xgboost(extreme gradient boosting)梯度提升算法的机器学习函数库，进行训练。在回归问题采用mse均方误差，为了提升准确度设定同时机器学习器的个数为65个。
55.本实施例基于决策树算法对历史投药数据进行实时预测分析，以实现准确预测实时投药量，从而在保证出水水质稳定的前提下，科学配置投药量，降低水厂水处理的成本。
56.在另一个优选实施例中，所述s2，对所述历史投药数据进行预处理，得到样本数据，并按照预设比例将所述样本数据随机划分为训练数据和测试数据，具体包括：
57.s201，对所述历史投药数据进行数据清洗，去除无效数据、残缺数据和异常数据；
58.s202，对清洗后的历史投药数据进行整合，得到样本数据；
59.s203，按照预设比例将所述样本数据随机划分为训练数据和测试数据。
60.例如，获取某水厂2017年度到2019年度的投药数据，该投药数据包括投药时间、实时原水流量、原水浊度、原水水温、原水ph值、絮凝剂用量、助凝剂用量和出水浊度。去除2017年度到2019年度的投药数据中的无效数据、残缺数据和异常数据后，将剩下的投药数据进行整合，得到样本数据，再按照预设比例将样本数据随机划分为训练数据和测试数据。
61.需要说明的是，本实施例中预设比例可以根据实际情况进行设定，一般情况下训练数据与测试数据的比例优选为8:2或7:3。
62.在又一个优选实施例中，所述s3，将所述训练数据输入到水厂实时投药量预测模型，对所述实时投药量预测模型进行训练，得到训练好的实时投药量预测模型，具体包括：
63.s301，将所述训练数据输入到水厂实时投药量预测模型；
64.s302，根据所述训练数据中的投药时间、实时原水流量、原水浊度、原水水温、原水ph值、絮凝剂用量和出水浊度对所述絮凝剂预测回归器进行训练，得到训练好的絮凝剂预测回归器；
65.s303，根据所述训练数据中的投药时间、实时原水流量、原水浊度、原水水温、原水ph值、助凝剂用量和出水浊度对所述助凝剂预测回归器进行训练，得到训练好的助凝剂预测回归器；
66.s304，根据所述训练数据中的投药时间、实时原水流量、原水浊度、原水水温、原水ph值、絮凝剂用量、助凝剂用量和出水浊度对出水浊度预测回归器进行训练，得到训练好的出水浊度预测回归器；
67.s305，将训练好的絮凝剂预测回归器、助凝剂预测回归器和出水浊度预测回归器进行整合，得到训练好的实时投药量预测模型。
68.具体的，将训练数据输入到水厂实时投药量预测模型；根据训练数据中的投药时间、实时原水流量、原水浊度、原水水温、原水ph值、絮凝剂用量和出水浊度对所述絮凝剂预测回归器进行训练，得到训练好的絮凝剂预测回归器，存储为pac.pickle文件；根据所述训练数据中的投药时间、实时原水流量、原水浊度、原水水温、原水ph值、助凝剂用量和出水浊度对所述助凝剂预测回归器进行训练，得到训练好的助凝剂预测回归器，存储为pam.pickle文件；根据所述训练数据中的投药时间、实时原水流量、原水浊度、原水水温、原水ph值、絮凝剂用量、助凝剂用量和出水浊度对出水浊度预测回归器进行训练，得到训练好的出水浊度预测回归器，存储为turbidity.pickle文件；将训练好的絮凝剂预测回归器、助凝剂预测回归器和出水浊度预测回归器进行整合，得到训练好的实时投药量预测模型。
69.在又一个优选实施例中，所述s4，将所述测试数据输入到训练好的实时投药量预测模型，对所述实时投药量预测模型的预测精度进行验证，具体包括：
70.s401，将所述测试数据输入到训练好的絮凝剂预测回归器和训练好的助凝剂预测回归器，得到絮凝剂用量的预测值和助凝剂用量的预测值；
71.s402，将所述絮凝剂用量的预测值和所述助凝剂用量的预测值输入到训练好的出水浊度预测回归器，得到出水浊度的预测值；
72.s403，根据所述测试数据中的絮凝剂用量和所述絮凝剂用量的预测值，计算得到絮凝剂用量的预测偏差值；
73.s404，根据所述测试数据中的助凝剂用量和所述助凝剂用量的预测值，计算得到助凝剂用量的预测偏差值；
74.s405，根据所述测试数据中的出水浊度和所述出水浊度的预测值，计算得到出水浊度的预测偏差值；
75.s406，根据所述絮凝剂用量的预测偏差值、所述助凝剂用量的预测偏差值和所述出水浊度的预测偏差值判断所述实时投药量预测模型的预测精度。
76.具体的，将测试数据输入到训练好的絮凝剂预测回归器pac.pickle和训练好的助凝剂预测回归器pam.pickle，得到絮凝剂用量的预测值和助凝剂用量的预测值；将所述絮凝剂用量的预测值和所述助凝剂用量的预测值输入到训练好的出水浊度预测回归器turbidity.pickle，得到出水浊度的预测值。
77.根据所述测试数据中的絮凝剂用量和所述絮凝剂用量的预测值，计算得到絮凝剂用量的预测偏差值；根据所述测试数据中的助凝剂用量和所述助凝剂用量的预测值，计算得到助凝剂用量的预测偏差值；根据所述测试数据中的出水浊度和所述出水浊度的预测值，计算得到出水浊度的预测偏差值。其中，偏差值的具体计算公式为其中，d表示预测偏差值，x1表示预测值，x2表示测试数据中的值。
78.需要说明的是，预测偏差值越小，则表示预测精度越高。本实施例为了提高实时投药量预测模型的预测精度，原水温度和原水ph值的最小单位优选为0.01，原水浊度和出水浊度的最小单位优选为0.1。
79.在又一个优选实施例中，所述s5，获取实时原水数据，将所述实时原水数据输入到训练好的实时投药量预测模型，设置目标出水浊度，则所述实时投药量预测模型输出絮凝剂用量的预测值和助凝剂用量的预测值之后，还包括：
80.s6，获取采用所述絮凝剂用量的预测值和所述助凝剂用量的预测值对水厂进行投药后的实际出水浊度；
81.s7，根据所述絮凝剂用量的预测值、所述助凝剂用量的预测值和所述实际出水浊度对所述实时投药量预测模型进行矫正。
82.作为优选方案，所述s7，根据所述絮凝剂用量的预测值、所述助凝剂用量的预测值和所述实际出水浊度对所述实时投药量预测模型进行矫正，具体为：
83.将所述絮凝剂用量的预测值、所述助凝剂用量的预测值和所述实际出水浊度添加到历史投药数据中，再对所述实时投药量预测模型进行训练，以实现对所述实时投药量预测模型进行矫正。
84.具体的，本实施例采用全量方式，将絮凝剂用量的预测值、助凝剂用量的预测值和实际出水浊度添加到历史投药数据中，按s1～s5执行一次，并且每次投药应用都重新执行一次，如此循环，以实现对所述实时投药量预测模型进行矫正。
85.作为优选方案，所述s7，根据所述絮凝剂用量的预测值、所述助凝剂用量的预测值和所述实际出水浊度对所述实时投药量预测模型进行矫正，具体为：
86.将所述絮凝剂用量的预测值、所述助凝剂用量的预测值和所述实际出水浊度输入到絮凝剂预测回归器、助凝剂预测回归器和出水浊度预测回归器中，对所述絮凝剂预测回归器、所述助凝剂预测回归器和所述出水浊度预测回归器进行训练，以实现对所述实时投
药量预测模型进行矫正。
87.具体的，本实施例采用增量方式，将絮凝剂用量的预测值、助凝剂用量的预测值和实际出水浊度输入到絮凝剂预测回归器pac.pickle、助凝剂预测回归器pam.pickle和出水浊度预测回归器turbidity.pickle中进行训练，训练完后对絮凝剂预测回归器pac.pickle、助凝剂预测回归器pam.pickle和出水浊度预测回归器turbidity.pickle进行保存。再执行s4～s5，并且每次投药应用都重新执行一次，如此循环，以实现对所述实时投药量预测模型进行矫正。
88.相应地，本发明还提供一种基于决策树算法的水厂实时投药量预测装置，能够实现上述实施例中的基于决策树算法的水厂实时投药量预测方法的所有流程。
89.请参阅图2，图2是本发明提供的一种基于决策树算法的水厂实时投药量预测装置的一个优选实施例的结构示意图。所述基于决策树算法的水厂实时投药量预测装置，包括：
90.获取模块201，用于获取水厂历史投药数据，其中，所述投药数据包括投药时间、实时原水流量、原水浊度、原水水温、原水ph值、絮凝剂用量、助凝剂用量和出水浊度；
91.预处理模块202，用于对所述历史投药数据进行预处理，得到样本数据，并按照预设比例将所述样本数据随机划分为训练数据和测试数据；
92.训练模块203，用于将所述训练数据输入到水厂实时投药量预测模型，对所述实时投药量预测模型进行训练，得到训练好的实时投药量预测模型；其中，所述实时投药量预测模型采用xgboost梯度提升算法，所述实时投药量预测模型包括絮凝剂预测回归器、助凝剂预测回归器和出水浊度预测回归器；
93.验证模块204，用于将所述测试数据输入到训练好的实时投药量预测模型，对所述实时投药量预测模型的预测精度进行验证；
94.预测模块205，用于获取实时原水数据，将所述实时原水数据输入到训练好的实时投药量预测模型，设置目标出水浊度，则所述实时投药量预测模型输出絮凝剂用量的预测值和助凝剂用量的预测值。
95.优选地，所述预处理模块202，具体用于：
96.对所述历史投药数据进行数据清洗，去除无效数据、残缺数据和异常数据；
97.对清洗后的历史投药数据进行整合，得到样本数据；
98.按照预设比例将所述样本数据随机划分为训练数据和测试数据。
99.优选地，所述训练模块203，具体用于：
100.将所述训练数据输入到水厂实时投药量预测模型；
101.根据所述训练数据中的投药时间、实时原水流量、原水浊度、原水水温、原水ph值、絮凝剂用量和出水浊度对所述絮凝剂预测回归器进行训练，得到训练好的絮凝剂预测回归器；
102.根据所述训练数据中的投药时间、实时原水流量、原水浊度、原水水温、原水ph值、助凝剂用量和出水浊度对所述助凝剂预测回归器进行训练，得到训练好的助凝剂预测回归器；
103.根据所述训练数据中的投药时间、实时原水流量、原水浊度、原水水温、原水ph值、絮凝剂用量、助凝剂用量和出水浊度对出水浊度预测回归器进行训练，得到训练好的出水浊度预测回归器；
104.将训练好的絮凝剂预测回归器、助凝剂预测回归器和出水浊度预测回归器进行整合，得到训练好的实时投药量预测模型。
105.优选地，所述验证模块204，具体用于：
106.将所述测试数据输入到训练好的絮凝剂预测回归器和训练好的助凝剂预测回归器，得到絮凝剂用量的预测值和助凝剂用量的预测值；
107.将所述絮凝剂用量的预测值和所述助凝剂用量的预测值输入到训练好的出水浊度预测回归器，得到出水浊度的预测值；
108.根据所述测试数据中的絮凝剂用量和所述絮凝剂用量的预测值，计算得到絮凝剂用量的预测偏差值；
109.根据所述测试数据中的助凝剂用量和所述助凝剂用量的预测值，计算得到助凝剂用量的预测偏差值；
110.根据所述测试数据中的出水浊度和所述出水浊度的预测值，计算得到出水浊度的预测偏差值；
111.根据所述絮凝剂用量的预测偏差值、所述助凝剂用量的预测偏差值和所述出水浊度的预测偏差值判断所述实时投药量预测模型的预测精度。
112.优选地，所述装置还包括：
113.实际出水浊度获取模块206，用于获取采用所述絮凝剂用量的预测值和所述助凝剂用量的预测值对水厂进行投药后的实际出水浊度；
114.矫正模块207，用于根据所述絮凝剂用量的预测值、所述助凝剂用量的预测值和所述实际出水浊度对所述实时投药量预测模型进行矫正。
115.优选地，所述矫正模块207，具体用于：
116.将所述絮凝剂用量的预测值、所述助凝剂用量的预测值和所述实际出水浊度添加到历史投药数据中，再对所述实时投药量预测模型进行训练，以实现对所述实时投药量预测模型进行矫正。
117.优选地，所述矫正模块207，具体用于：
118.将所述絮凝剂用量的预测值、所述助凝剂用量的预测值和所述实际出水浊度输入到絮凝剂预测回归器、助凝剂预测回归器和出水浊度预测回归器中，对所述絮凝剂预测回归器、所述助凝剂预测回归器和所述出水浊度预测回归器进行训练，以实现对所述实时投药量预测模型进行矫正。
119.在具体实施当中，本发明实施例提供的基于决策树算法的水厂实时投药量预测装置的工作原理、控制流程及实现的技术效果，与上述实施例中的基于决策树算法的水厂实时投药量预测方法对应相同，在此不再赘述。
120.请参阅图3，图3是本发明提供的一种终端设备的一个优选实施例的结构示意图。所述终端设备包括处理器301、存储器302以及存储在所述存储器302中且被配置为由所述处理器301执行的计算机程序，所述处理器301执行所述计算机程序时实现上述任一实施例所述的基于决策树算法的水厂实时投药量预测方法。
121.优选地，所述计算机程序可以被分割成一个或多个模块/单元(如计算机程序1、计算机程序2、
……
)，所述一个或者多个模块/单元被存储在所述存储器302中，并由所述处理器301执行，以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列
计算机程序指令段，该指令段用于描述所述计算机程序在所述终端设备中的执行过程。
122.所述处理器301可以是中央处理单元(central processing unit，cpu)，还可以是其他通用处理器、数字信号处理器(digital signal processor，dsp)、专用集成电路(application specific integrated circuit，asic)、现场可编程门阵列(field
‑
programmable gate array，fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等，通用处理器可以是微处理器，或者所述处理器301也可以是任何常规的处理器，所述处理器301是所述终端设备的控制中心，利用各种接口和线路连接所述终端设备的各个部分。
123.所述存储器302主要包括程序存储区和数据存储区，其中，程序存储区可存储操作系统、至少一个功能所需的应用程序等，数据存储区可存储相关数据等。此外，所述存储器302可以是高速随机存取存储器，还可以是非易失性存储器，例如插接式硬盘，智能存储卡(smart media card，smc)、安全数字(secure digital，sd)卡和闪存卡(flash card)等，或所述存储器302也可以是其他易失性固态存储器件。
124.需要说明的是，上述终端设备可包括，但不仅限于，处理器、存储器，本领域技术人员可以理解，图3的结构示意图仅仅是上述终端设备的示例，并不构成对上述终端设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件。
125.本发明实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质包括存储的计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行上述任一实施例所述的基于决策树算法的水厂实时投药量预测方法。
126.本发明实施例提供了一种基于决策树算法的水厂实时投药量预测方法、装置及介质，通过获取水厂历史投药数据，其中，所述投药数据包括投药时间、实时原水流量、原水浊度、原水水温、原水ph值、絮凝剂用量、助凝剂用量和出水浊度；对所述历史投药数据进行预处理，得到样本数据，并按照预设比例将所述样本数据随机划分为训练数据和测试数据；将所述训练数据输入到水厂实时投药量预测模型，对所述实时投药量预测模型进行训练，得到训练好的实时投药量预测模型；其中，所述实时投药量预测模型采用xgboost梯度提升算法，所述实时投药量预测模型包括絮凝剂预测回归器、助凝剂预测回归器和出水浊度预测回归器；将所述测试数据输入到训练好的实时投药量预测模型，对所述实时投药量预测模型的预测精度进行验证；获取实时原水数据，将所述实时原水数据输入到训练好的实时投药量预测模型，设置目标出水浊度，则所述实时投药量预测模型输出絮凝剂用量的预测值和助凝剂用量的预测值。本发明实施例基于决策树算法对历史投药数据进行实时预测分析，以实现准确预测实时投药量，从而在保证出水水质稳定的前提下，科学配置投药量，降低水厂水处理的成本。
127.需说明的是，以上所描述的系统实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。另外，本发明提供的系统实施例附图中，模块之间的连接关系表示它们之间具有通信连接，具体可以实现为一条或多条通信总线或信号线。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。
128.以上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也视为本发明的保护范围。