基于编码器-解码器和自回归生成对抗网络的水质时间序列缺失数据补全方法

技术特征：
1.一种基于时间序列生成对抗网络的水质指标补全方法，其特征在于，该方法包括如下步骤：1)获取一条河流过去一段时间监测到的水质指标组成的时间序列数据；2)将收集到的数据进行归一化处理，再按预设的滑动窗口宽度划分为多个子序列，作为特征序列数据，训练基于编码器-解码器和自回归网络的时间序列生成对抗网络(generative adversarial networks with encoder-decoder and autoregressive network,geda)；3)将有缺失的特征序列数据输入到时间序列生成对抗网络模型中，输出完整水质指标数据的数据，补全真实数据的缺失部分，再对补全后的数据进行反归一化，从而获得完整的水质指标数据。2.根据权利要求1所述的方法，其特征在于，所述基于历史的水质时间序列数据，训练所述水质生成模型，包括：获取目标区域的水质时间序列数据作为历史数据；将所述历史数据进行归一化处理；将归一化处理后的所述历史数据按预设比例划分为训练集和测试集，根据所述训练集的历史数据训练所述水质生成模型，以获得所述水质生成模型的参数。3.根据权利要求1所述的方法，其特征在于，所述基于所述水质生成模型生成水质指标数据，包括：获取所述目标区域预设时间段内的水质时间序列数据；归一化处理所述目标区域某段时间内的有缺失的水质时间序列数据，将归一化处理后的数据输入到所述水质生成模型；用所述水质生成模型的输出数据补全缺失部分，反归一化处理补全后的数据，获得所述目标区域的完整水质指标数据。4.根据权利要求2和权利要求4所述的方法，其特征在于，所述基于geda网络来构建水质补全模型，包括：对获得的数据进行归一化处理；将归一化处理后的数据作为所述geda网络模型的输入，以构成所述水质生成模型。5.根据权利要求2所述的方法，其特征在于，所述根据所述测试集的历史数据测试并优化所述水质补全模型，包括：所述水质生成模型，根据所述水质生成模型测试结果，调整所述水质补全模型中循环神经网络模型隐层的大小循环神经单元个数等参数，以及测试经调整的所述水质补全模型，优化所述水质补全模型的参数。6.根据权利要求3所述的方法，其特征在于，所述按预设的滑动窗口宽度划分子序列作为特征序列。每一段的子序列的长度即为滑动窗口的宽度。将有缺失的子序列数据输入到生成对抗网络中，然后根据判别器的输出和生成数据与真实数据之间重构误差调整生成器的输入以获得真实度更高的与真实数据更接近的完整时间序列数据。7.根据权利要求4所述的方法，其特征在于，所述基于所述水质补全模型补全水质缺失数据之前，还包括：改变所述预设比例，重新将归一化处理后的所述历史数据按改变后的所述预设比例划分为训练集和测试集；根据重新划分的训练集的历史数据训练所述水质生成模型，微调所
述水质生成模型。8.根据权利要求4所述的方法，其特征在于，所述基于geda模型补全水质数据，包括：对补全模型的输入序列长度进行调整，进一步优化模型补全数据的精度。

技术总结
本发明涉及一种面向水质指标的数据补全方法，特别是涉及一种基于编码器-解码器和自回归网络的时间序列生成对抗网络(GenerativeAdversarialNetworkswith Encoder-DecoderandAutoregressivenetwork,GEDA)的缺失数据补全方法。首先，针对获取到的水质指标历史数据进行归一化处理，并对水质指标时间序列数据按照预设的滑动窗口大小划分为多个子序列作为特征序列，输入到生成对抗网络中进行训练。然后，针对有缺失的水质指标时间序列数据输入到训练好的网络中，生成完整的时间序列数据用于补全真实数据的缺失部分。最后，获得完整的与真实数据接近的水质指标数据。据。据。


技术研发人员：王仔超 毕敬 乔俊飞
受保护的技术使用者：北京工业大学
技术研发日：2022.10.31
技术公布日：2023/2/3