基于混合注意力机制的单监测断面时序多要素水质预测方法

技术特征：
1.一种基于psam和mham的单监测断面时序多要素水质预测方法，其特征在于，该方法包括如下步骤：1)获取一条单监测断面河流历史监测的多要素时间序列数据。2)通过ppmcc选择和预测目标数据相关性较大的特征指标。3)筛选特征指标后，通过sg滤波对数据进行平滑降噪处理。4)将处理后的数据进行归一化处理，再按照滑动窗口宽度将数据划分为多个子序列。5)将处理好的数据输入基于psam和mham的单监测断面时序多要素预测模型中，对水质指标进行多步预测，再对预测值进行反归一化，从而获得水质指标未来的预测值。2.根据权利要求1所述的方法，其特征在于，所述基于历史监测的多要素时间序列数据，训练所述单监测断面时序多要素预测模型，包括：获取所述的水文、气象等多要素时间序列数据，作为历史数据；将所述历史数据进行ppmcc的特征指标筛选后，将所选特征数据进行sg滤波平滑处理，再对其做归一化处理；将归一化处理后的所述数据按一定比例划分为训练集和测试集，并根据训练集训练所述水质预测模型，通过调整所述模型参数获得最优预测结果。3.根据权利要求1所述的方法，其特征在于，所述基于所述单监测断面时序多要素预测模型预测未来水质，包括：获取所述的水文、气象等多要素时间序列历史数据；归一化处理所述数据，将归一化处理后的数据输入到所述水质预测模型；反归一化处理所述水质预测模型的输出数据，获得所述的未来水质预测数据。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sg滤波和psam和mham网络构建的单监测断面时序多要素预测模型，包括：使用sg滤波对时间序列数据进行平滑降噪处理；将平滑降噪处理后的数据作为所述基于psam和mham的网络模型的输入，以构成所述水质预测模型。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测试并优化所述单监测断面时序多要素预测模型，包括：所述单监测断面时序多要素预测模型，通过调整所述预测模型中模型隐层的大小和输入长度等参数优化所述水质预测模型的预测结果，以达到所述水质预测模型的最佳参数选择。6.根据权利要求3所述的方法，其特征在于，所述按滑动窗口宽度将数据划分为多个子序列，包括：针对多要素特征数据，进行多特性时间序列滑窗操作，其中每一段子序列的长度即为滑动窗口的宽度，是输入和预测时序长度之和。7.根据权利要求4所述的方法，其特征在于，所述基于所述单监测断面时序多要素预测模型预测水质之前，还包括：将归一化处理后的所述历史数据按照改变后的预设比例划分训练集和测试集；根据重新划分的训练集训练所述单监测断面时序多要素预测模型，微调所述预测模型的训练效果。8.根据权利要求4所述的方法，其特征在于，所述基于psam和mham的单监测断面时序多要素预测模型预测水质，包括：
预测模型的输入序列与输出序列的长度是可以不相等的。同时，编码器输入序列长度和解码器输入序列长度也可不相等，其可以对输入序列长度进行调整，优化模型以达到最优的预测精度。

技术总结
本发明涉及一种面向水环境数据时间序列预测的方法，特别是涉及一种基于SG(Savitzky Golay)滤波与编码器-解码器结构的稀疏注意力机制(ProbSparse Self-Attention Mechanism,PSAM)和多头注意力机制(Multi-Head Attention Mechanism,MHAM)的单监测断面时序多要素水质预测方法。首先，针对获取的水文、气象等多要素数据指标通过皮尔逊相关系数(Pearson Product-Moment Correlation Coefficient,PPMCC)进行特征筛选，选定数据后通过SG滤波进行平滑处理。其次，再进行水质数据的归一化处理后输入预测模型，利用稀疏注意力机制降低模型的复杂度，并通过多头注意力机制计算水质多要素权重占比来推断不同的水环境要素之间的关系对水质变化的影响。最后，通过生成式解码器(Generative Style Decoder,GSD)进行一次正向预测，建立一种较为精确的水环境时间序列预测模型。环境时间序列预测模型。环境时间序列预测模型。


技术研发人员：张春辉 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