一种水质预测方法、装置、计算机设备及存储介质

1.本发明涉及水质预测领域，具体涉及一种水质预测方法、装置、计算机设备及存储介质。


背景技术：

2.随着对生态环境保护的重视度提高，水质监测和水质预测在环境保护中发挥的作用逐渐提升。水质监测和水质预测是环境监测工作中的主要工作之一，水质监测能够准确、及时且全面地反映水质现状和发展趋势，水质预测是实现水资源管理以及污染源控制的前提工作。
3.在现有技术中，通过搜集水质的基础数据，建立数据库模型，并搭建数学模型和模拟模型，利用数学模型和模拟模型进行水质预测。然而，在实际水质预测过程中，各指标参数受多方面干扰因素影响，导致预测结果准确性。


技术实现要素：

4.因此，本发明要解决的技术问题在于克服现有技术中干扰因素对水质预测结果造成干扰的缺陷，从而提供一种水质预测方法、装置、计算机设备及存储介质。
5.根据第一方面，本发明提供一种水质预测方法，所述方法包括：
6.获取待测水域的历史监测参数数据；
7.利用傅里叶变换对所述历史监测参数数据进行去噪处理，并对去噪处理后的信号进行傅里叶逆变换，得到中间参数数据；
8.提取所述中间参数数据的主频率信号；
9.将所述主频率信号输入到预先训练好的水质预测模型中，得到所述待测水域的水质预测结果。
10.在一实施例中，所述利用傅里叶变换对所述历史监测参数数据进行去噪处理，包括：
11.按照如下公式对所述历史监测参数数据进行傅里叶变换：
[0012][0013]
其中，x、y满足
[0014]
在一实施例中，所述水质预测模型通过如下方式得到：
[0015]
将带有水质标签的不同水域的历史监测参数数据确定为训练样本数据；
[0016]
利用所述训练样本数据分别对多个备选神经网络模型进行训练；
[0017]
基于各训练好的备选神经网络模型的均方根误差，筛选从各训练好的备选神经网络模型中确定水质预测模型。
[0018]
在一实施例中，所述筛选从各训练好的备选神经网络模型中确定水质预测模型，
包括：
[0019]
基于均方根误差对所述各训练好的备选神经网络模型进行排序；
[0020]
将均方根误差最小的备选神经网络模型确定为水质预测模型。
[0021]
在一实施例中，所述方法还包括：
[0022]
按照如下公式计算训练好的备选神经网络模型的均方根误差值：
[0023][0024]
其中，m是训练样本数据容量，s是当前备选神经网络模型的神经网络输出层的节点个数，和分别是第i个训练样本数据的神经网络输出层第k个节点的预测值和实际值。
[0025]
在一实施例中，所述将所述主频率信号输入到预先训练好的水质预测模型中之前，所述方法还包括：
[0026]
按照如下公式对所述主频率信号进行归一化处理：
[0027][0028]
其中，z(i)是第i个主频率信号，x(i)为归一化处理后第i个主频率信号，z
min
及z
max
代表主频率信号中的最小值和最大值。
[0029]
在一实施例中，所述历史监测参数数据包括：多个时段内所述待测水域的碳含量值、氧含量值、氮含量值及磷含量值。
[0030]
根据第二方面，本发明提供一种水质预测装置，所述装置包括：
[0031]
获取模块，用于获取待测水域的历史监测参数数据；
[0032]
第一得到模块，用于利用傅里叶变换对所述历史监测参数数据进行去噪处理，并对去噪处理后的信号进行傅里叶逆变换，得到中间参数数据；
[0033]
提取模块，用于提取所述中间参数数据的主频率信号；
[0034]
第二得到模块，用于将所述主频率信号输入到预先训练好的水质预测模型中，得到所述待测水域的水质预测结果。
[0035]
根据第三方面，本发明提供一种计算机设备，包括存储器和处理器，所述存储器和所述处理器之间互相通信连接，所述存储器中存储有计算机指令，所述处理器通过执行所述计算机指令，从而执行第一方面及其可选实施方式中任一项的水质预测方法。
[0036]
根据第四方面，本发明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指令，所述计算机指令用于使所述计算机执行第一方面及其可选实施方式中任一项的水质预测方法。
[0037]
本发明技术方案，具有如下优点：
[0038]
本发明实施例提供了一种水质预测方法，能够利用傅里叶变换对历史监测参数数据进行去噪处理，以对历史监测参数数据进行平滑处理，再对去噪处理后的信号进行傅里叶逆变换，以得到去除噪声的信号，再对得到的中间参数数据进行提取主频率信号处理，能够提取到中间参数数据的主要变化规律，从而能够在后续的水质预测模型中排除干扰因素
的影响，进而增加预测结果的准确性。
附图说明
[0039]
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0040]
图1是本发明实施例提出的一种水质预测方法的流程图；
[0041]
图2是本发明实施例提出的反应器装置示意图；
[0042]
图3是本发明实施例提出的一种水质预测装置的结构框图；
[0043]
图4是本发明实施例提出的一种计算机设备的硬件结构示意图。
具体实施方式
[0044]
下面将结合附图对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例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做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。
[0045]
为了减小水质预测过程中，多方面干扰因素对各指标参数的影响，本发明实施例中提供一种水质预测方法，如图1所示，该方法包括如下步骤s1至步骤s4。
[0046]
步骤s1：获取待测水域的历史监测参数数据。
[0047]
在本发明实施例中，历史监测参数数据包括：多个时段内待测水域的碳含量值、氧含量值(dissolved oxygen)、氮含量值tn及磷含量值tp等水质指标，还包括ph值、orp值(oxidation-reduction potential，氧化还原电位)、温度值及化学需氧量值cod等影响因素指标。其中，ph值、do值、orp值及温度可以通过测量仪直接读取结果，cod值、tn值及tp值可以通过分光光度法测量得到，其中，分光光度法为现有技术，此处不再赘述。
[0048]
获取待测水域的历史监测参数数据，可以通过搭建sbr(sequencing batch reactor activated sludge process，序列间歇式活性污泥法)反应器模型，如图2所示，试验装置的反应器采用有机玻璃制成。反应器高40cm，长50cm，宽35cm，有效容积60l，该反应器每日设计处理量为90l/d，反应池底部为曝气装置，左上方安装有蠕动泵为进水装置，其连接在容积为200l的蓄水桶内，水桶内安装的水流扰动装置可以将水桶内的水时刻保持在均匀的状态，以防止进水水质出现波动。反应器的滗水口为浮动排水装置，排水时可以将反应池内的上清水体排出，保证出水的质量的同时也能避免污泥的流失，反应器底部有排泥阀门，每日进行手动排泥，而进水、曝气、沉淀、排水、搅拌都是通过时间继电器自动控制，每天运行3个周期，每个周期为5h，具体运行方式见表1。反应器安装有ph、do、orp探头，可以实时读取反应器内污水的数据，探头连接在无纸记录仪上，可以将读取的数据保存下来，读数间隔为1min/次。反应器运行方式为进水0.5h，曝气3h，沉淀1h，排水0.5h。自进水阶段为起点，每20min取一次水样，监测各水质指标。
[0049]
表1
[0050]
运行方式反应过程停留时间(h)进水(厌氧)反硝化、释放磷0.5
曝气(好氧)降解有机物、硝化、吸收磷3沉淀悬浮物及污泥沉淀1排水处理后的水排放0.5
[0051]
步骤s2：利用傅里叶变换对历史监测参数数据进行去噪处理，并对去噪处理后的信号进行傅里叶逆变换，得到中间参数数据。
[0052]
在本发明实施例中，傅里叶变换为从时域到频域的积分变换，傅里叶原理表明任何连续测量的时序或信号，都可以表示为不同频率的正弦波信号的无限叠加。对历史监测参数数据进行去噪处理，能够消除历史监测参数数据中复杂的高频振动影响，以保留低频信号的能量。
[0053]
本次研究的时间序列的周期为5h，为排除干扰频率的影响，以5.556
×
10-5
s-1
为基频的频率，分别以0～2.778
×
10-6
、2.778
×
10-5-8.333
×
10-5
s-1
为目标谐波的频率区间，如果目标频率区间内的谐波有明显的峰值，则对该频率区间的滤波进行傅里叶逆变换，可得到该频率范围内滤波在时域上的时间序列。通过这个变换过程，实测数据的时间序列就可以分解成长期项的时间序列、基频项的时间序列以及高频项的时间序列，而基频和高频又对应着周期和非线性效应的影响，于是将实测数据的时间序列分解成了受单一因素影响的多个时间序列，通过将这些分解开的时间序列叠加起来就可以得到特定频域内的影响因素的合成时间序列，可以除去干扰因素的影响。
[0054]
步骤s3：提取中间参数数据的主频率信号。
[0055]
在本发明实施例中，对中间参数数据进行快速傅里叶变换，以提取中间参数数据的主频率信号，能够得到中间参数数据变化的主要变换规律，忽略微小变化波动，以减小其他干扰因素对预测结果的影响。其中，利用快速傅里叶变换提取主频率信号可参照现有技术中对不同信号提取主频率信号的方式加以实现，此处不再赘述。
[0056]
步骤s4：将主频率信号输入到预先训练好的水质预测模型中，得到待测水域的水质预测结果。
[0057]
在本发明实施例中，预先训练好的水质预测模型可以根据实际应用场景选择预测模型，预测模型可以为神经网络预测模型、灰色预测模型、线性回归预测模型及马尔科夫链预测模型等。例如，当样本数据较少时，可以选择灰色预测模型，灰色预测模型所需建模信息少，运算方便。
[0058]
通过上述实施例，能够利用傅里叶变换对历史监测参数数据进行去噪处理，以对历史监测参数数据进行平滑处理，再对去噪处理后的信号进行傅里叶逆变换，以得到去除噪声的信号，再对得到的中间参数数据进行提取主频率信号处理，能够提取到中间参数数据的主要变化规律，从而能够在后续的水质预测模型中排除干扰因素的影响，进而增加预测结果的准确性。
[0059]
具体地，在一实施例中，上述步骤s102中利用傅里叶变换对历史监测参数数据进行去噪处理，具体包括如下步骤：
[0060]
按照如下公式对历史监测参数数据进行傅里叶变换：
[0061][0062]
其中，x、y满足
[0063]
在本发明实施例中，f(x,y)是两个独立变量x、y的连续函数，将公式(1)定义为傅里叶变换。
[0064]
按照如下公式对去噪处理后的信号进行傅里叶逆变换：
[0065][0066]
利用傅里叶变换对历史监测参数数据进行去噪处理，以将噪声信号滤除，再对去噪处理后的信号进行傅里叶逆变换，即得到没有噪声的信号。
[0067]
当连续信号f(x,y)抽样后变为二维离散信号f(m,n)，则定义二维离散傅立叶变换为：
[0068][0069]
其中，0≤m≤m-1，0≤n≤n-1；
[0070]
定义二维离散傅立叶反变换为：
[0071][0072]
即离散信号f(m,n)的离散傅立叶变换是对连续信号f(x,y)频谱f(u,v)的抽样。从物理意义上来说，傅立叶变换的实质是把基础信号f(t)分解成无穷多个不同频率、不同振幅及不同相位的正弦波的叠加形式。
[0073]
具体地，在一实施例中，上述步骤s104中的水质预测模型通过如下方式得到：
[0074]
步骤s1041，将带有水质标签的不同水域的历史监测参数数据确定为训练样本数据。
[0075]
步骤s1042，利用训练样本数据分别对多个备选神经网络模型进行训练。
[0076]
步骤s1043，基于各训练好的备选神经网络模型的均方根误差，筛选从各训练好的备选神经网络模型中确定水质预测模型。
[0077]
在本发明实施例中，对神经网络模型训练，首先输入训练样本数据，即带有水质标签的不同水域的历史监测参数数据；再构建若干个神经网络作为备选神经网络模型，分别对多个备选神经网络模型进行训练。示例性地，选用lstm(长短期神经网络)模型及bp神经网络模型等多种神经网络模型作为备选，将预测结果最准确的作为水质预测模型。
[0078]
对神经网络训练依托于matlab平台的neural net fitting工具，使用贝叶斯正则化反向传播算法作为神经网络的学习算法。其中，利用neural net fitting工具对神经网络训练为现有技术，此处不再赘述。贝叶斯正则化算法通过莱文贝格-马夸特算法优化来更新神经元之间的权重与偏置，不断迭代得到模型输出误差与神经元连接权重的最佳组合，这种优化过程被称为“贝叶斯正则化”。由于贝叶斯正则化算法利用雅可比行列式作为计算公式，而雅可比行列式以平方误差mse作为性能指标，而均方根误差rmse更能直观的比较预测结果和实际数据的相对误差。
[0079]
在对训练样本数据进行训练之前，可以先对训练样本数据进行归一化处理，将其维持在(0，1)或(-1，1)的区间内，以防止输入数据之间数量级的差异导致的输入数据的影响被严重放大或缩小。
[0080]
示例性地，本实验共收集了反应器运行66轮的实验数据，将数据以2:1的比例划分为训练数据和验证数据，以对神经网络模型进行训练和验证，其中，训练数据和验证数据的
比例可以根据实际应用场景调整，此处不做限定。
[0081]
具体地，在一实施例中，上述步骤s1043中筛选从各训练好的备选神经网络模型中确定水质预测模型，具体包括如下步骤：
[0082]
基于均方根误差对各训练好的备选神经网络模型进行排序；
[0083]
将均方根误差最小的备选神经网络模型确定为水质预测模型。
[0084]
在本发明实施例中，均方根误差表示在有限实验次数内，预测值和真实值的平方与实验次数比值的平方根。均方根误差值最小的模型的预测值和真实值之间的偏差最小，选用均方根误差值最小的模型，预测值结果的准确性最高。
[0085]
具体地，在一实施例中，本方明实施例提供的水质预测方法还包括如下步骤：
[0086]
按照如下公式计算训练好的备选神经网络模型的均方根误差值：
[0087][0088]
其中，m是训练样本数据容量，s是当前备选神经网络模型的神经网络输出层的节点个数，和分别是第i个训练样本数据的神经网络输出层第k个节点的预测值和实际值。
[0089]
在本发明实施例中，贝叶斯正则化算法利用雅可比行列式作为计算公式，按照如下公式计算平方误差：
[0090][0091]
具体地，在一实施例中，本方明实施例提供的水质预测方法还包括如下步骤：
[0092]
按照如下公式对主频率信号进行归一化处理：
[0093][0094]
其中，z(i)是第i个主频率信号，x(i)为归一化处理后第i个主频率信号，z
min
及z
max
代表主频率信号中的最小值和最大值。
[0095]
在本发明实施例中，对主频率信号进行归一化处理能够防止数据之间数量级的差异导致数据的影响被严重放大或缩小。
[0096]
在对主频率信号进行归一化处理之后，还需要对主频率信号进行反归一化处理，其中，按照如下公式对主频率信号进行反归一化处理：
[0097]
z(i)＝x(i)(z
max-z
min
) z
min
[0098]
(8)
[0099]
对主频率信号进行反归一化处理，能够便于将预测值和原始值进行比较，从而衡量预测模型的性能。
[0100]
基于相同发明构思，本发明还提供一种水质预测装置。
[0101]
图3是根据一示例性实施例提出的一种水质预测装置的结构框图。如图3所示，该装置包括：
[0102]
获取模块101，用于获取待测水域的历史监测参数数据。具体内容参见上述步骤s101的相关描述，在此不再进行赘述。
[0103]
第一得到模块102，用于利用傅里叶变换对历史监测参数数据进行去噪处理，并对去噪处理后的信号进行傅里叶逆变换，得到中间参数数据。具体内容参见上述步骤s102的相关描述，在此不再进行赘述。
[0104]
提取模块103，用于提取中间参数数据的主频率信号。具体内容参见上述步骤s103的相关描述，在此不再进行赘述。
[0105]
第二得到模块104，用于将主频率信号输入到预先训练好的水质预测模型中，得到待测水域的水质预测结果。具体内容参见上述步骤s104的相关描述，在此不再进行赘述。
[0106]
本发明实施例提供的水质预测装置，能够利用傅里叶变换对历史监测参数数据进行去噪处理，以对历史监测参数数据进行平滑处理，再对去噪处理后的信号进行傅里叶逆变换，以得到去除噪声的信号，再对得到的中间参数数据进行提取主频率信号处理，能够提取到中间参数数据的主要变化规律，从而能够在后续的水质预测模型中排除干扰因素的影响，进而增加预测结果的准确性。
[0107]
上述基于水质预测装置的具体限定以及有益效果可以参见上文中对于水质预测方法的限定，在此不再赘述。上述各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
[0108]
图4是根据一示例性实施例提出的一种计算机设备的硬件结构示意图。如图4所示，该设备包括一个或多个处理器410以及存储器420，存储器420包括持久内存、易失内存和硬盘，图4中以一个处理器410为例。该设备还可以包括：输入装置430和输出装置440。
[0109]
处理器410、存储器420、输入装置430和输出装置440可以通过总线或者其他方式连接，图4中以通过总线连接为例。
[0110]
处理器410可以为中央处理器(central processing unit，cpu)。处理器410还可以为其他通用处理器、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、分立硬件组件等芯片，或者上述各类芯片的组合。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
[0111]
存储器420作为一种非暂态计算机可读存储介质，包括持久内存、易失内存和硬盘，可用于存储非暂态软件程序、非暂态计算机可执行程序以及模块，如本技术实施例中的业务管理方法对应的程序指令/模块。处理器410通过运行存储在存储器420中的非暂态软件程序、指令以及模块，从而执行服务器的各种功能应用以及数据处理，即实现上述任意一种水质预测方法。
[0112]
存储器420可以包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需要的应用程序；存储数据区可存储根据、需要使用的数据等。此外，存储器420可以包括高速随机存取存储器，还可以包括非暂态存储器，例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施例中，存储器420可选包括相对于处理器410远程设置的存储器，这些远程存储器可以通过网络连接至数据处理装置。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
[0113]
输入装置430可接收输入的数字或字符信息，以及产生与用户设置以及功能控制
有关的键信号输入。输出装置440可包括显示屏等显示设备。
[0114]
一个或者多个模块存储在存储器420中，当被一个或者多个处理器410执行时，执行如图1所示的水质预测方法。
[0115]
上述产品可执行本发明实施例所提供的方法，具备执行方法相应的功能模块和有益效果。未在本实施例中详尽描述的技术细节，具体可参见如图1所示的实施例中的相关描述。
[0116]
本发明实施例还提供了一种非暂态计算机存储介质，计算机存储介质存储有计算机可执行指令，该计算机可执行指令可执行上述任意方法实施例中的方法。其中，存储介质可为磁碟、光盘、只读存储记忆体(read-only memory，rom)、随机存储记忆体(random access memory，ram)、快闪存储器(flash memory)、硬盘(hard disk drive，缩写：hdd)或固态硬盘(solid-state drive，ssd)等；存储介质还可以包括上述种类的存储器的组合。
[0117]
显然，上述实施例仅仅是为清楚地说明所作的举例，而并非对实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。而由此所引伸出的显而易见的变化或变动仍处于本发明创造的保护范围之中。