(19)国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202111659799.1 (22)申请日 2021.12.3 0 (65)同一申请的已公布的文献号 申请公布号 CN 114386686 A (43)申请公布日 2022.04.22 (73)专利权人 北京师范大学 地址 100875 北京市海淀区新 街口外大街 19号 (72)发明人 王国强　薛宝林　王溥泽　阿膺兰　 (74)专利代理 机构 北京市广友专利事务所有限 责任公司 1 1237 专利代理师 张仲波　邓琳 (51)Int.Cl. G06Q 10/04(2012.01) G06Q 50/06(2012.01)G06N 3/04(2006.01) G06N 3/08(2006.01) 审查员 张书旋 (54)发明名称 一种基于改进LSTM的流域水质短期预测方 法 (57)摘要 本发明公开了一种基于改进LSTM的流域水 质短期预测方法， 包括： 构建基于改进LSTM的水 质短期预测模型； 其中， 改进 LSTM算法包括： 一方 面， 在LSTM前端构建能够获取不同监测断面水质 空间关联性的状态单元， 提取不同监测断面水质 的空间关联特征； 一方面， 将污染物在水体中运 移的降解系数引入 LSTM的权重 更新机制， 使 LSTM 中包含污染物运移信息； 对构建的基于改进 LSTM 的水质短期预测模型进行训练； 利用训练好的水 质短期预测模 型对流域水质进行短期预测， 并对 预测结果进行评估。 本发明结合水环 境的演变规 律， 构建改进的LSTM网络， 用于流域水质短期预 测， 预测结果与水质实际变化具有高匹配性， 模 型具备较好的模拟能力。 权利要求书3页 说明书10页 附图3页 CN 114386686 B 2022.10.18 CN 114386686 B 1.一种基于改进LSTM的流 域水质短期预测方法， 其特 征在于， 包括以下步骤： S1、 构建基于改进LSTM的水质短期预测模型； 其中， 改进LSTM算法包括： 一方面， 在LSTM前端构 建能够获取不同监测断面水质空间关 联性的状态单元， 提取不同监测断面水质的空间关联特征； 另一方面， 将污染物在水体中运 移的降解系数引入LSTM的权 重更新机制， 使LSTM中包 含污染物运移信息； 所述步骤S1中， 构 建基于改进LSTM的水质短期预测模型包括采集模型数据并进行数据 处理、 构建基于改进LSTM的模型框架、 以及对 模型进行评估； 所述采集模型 数据并进行 数据处理包括： 以流域水文、 水质和气象数据作为多维数据集， 进行模型 数据采集； 对于采集的模型数据， 在空间上按流域的上、 中、 下游进行划分， 在时间上按连续7天监 测数据划分为一个样本， 同时将4个连续样本构成一组样本单元， 即水质短期预测以连续28 天的水文、 水质和气象数据为模型训练的基础； 采用Min‑Max Normalization算法对所有数据进行归一化， 以消除不同数据之间的量 级差异； 所述构建基于改进LSTM的模型框架具体包括： 采用Java和Python语言对水质短期预测模型进行编码实现， 通过TensorFlow库的基本 功能模块搭建水质短期预测模 型框架， 并对 Keras库的LSTM模块进 行编码改进， 以实现改进 LSTM算法在K eras中的应用； 所述改进LSTM算法中， 在LSTM前端构建能够获取不同监测断面水质空间关联性的状态 单元具体包括： 在LSTM前端构建迁移门和分布门， 具体 计算公式如下： dt＝σ(Wd·[X't,xt]+bd)    (2) 其中mt是迁移门， dt是分布门， Wm是迁移门的权重矩阵， Wd是分布门的权重矩阵， bm是迁 移门的偏置项， bd是分布门的偏置项， xt是计算监测位置当前时刻输入项， x't‑1是其它监测 位置上一时刻输入项， x't是其它监测位置当前时刻输入项， X't是其它监测位置当前时刻输 入项矩阵， Eu(x' ,x)是计算 监测位置与其它监测位置的欧氏距离， max()和σ 是激活函数； 所述改进LSTM算法中， 将污染物在水体中运移的 降解系数引入LSTM的权重更新机制具 体包括： 将污染物的降解系数引入LSTM 的输入门， 所述污染物为COD和NH3 ‑N， 污染物的降解方 程如下： 其中 是污染物量， Ci是水质组分i的浓度， Ki是水质组分i的一阶降解系数； LSTM的遗 忘门、 输入门和输出门的算法方程如下： ft＝σ(Wf·[ht‑1,xt]+bf)    (4) 权　利　要　求　书 1/3 页 2 CN 114386686 B 2it＝σ(Wi·[ht‑1,xt]+bi)    (6) ot＝σ(Wo·[ht‑1,xt]+bo)    (9) 式中， ft是遗忘门； it是输入门； 是当前输入单元状态； ct是当前时刻的单元状态； ot是 输出门； ht是LSTM最终输出； Wf是遗忘门 的权重矩阵， 包括Wfh和Wfx； Wfh是对应输入项ht‑1的权 重矩阵； Wfx是对应输入项Xt的权重矩阵； [ht‑1,Xt]表示把两个向量连接成一个更长的向量； bf是遗忘门的偏置项； σ 是激活函数； Wi是输入门的权重矩阵； bi是输入门的偏置项； Wc是当 前输入单元状态 的权重矩阵； bc是当前输入单元状态 的偏置项； Wo是输出门的权重矩 阵； bo是输出门的偏置项； tanh()是激活函数； 表示按元 素乘； 将式(3)的降解系数引入式(6)可 得到新的输入门方程， it＝σ(Ki·Wi·[ht‑1,xt]+bi)    (11) 将式(1)和式(2)引入式(10)可 得到新的最终输出 方程， S2、 对构建的基于改进LSTM的水质短期预测模型进行训练； S3、 利用训练好的水质短期预测模型对流域水质进行短期预测， 并对预测结果进行评 估。 2.根据权利要求1所述的基于改进LSTM的流域水质短期预测方法， 其特征在于， 所述对 模型进行评估 包括： 采用决定系数和均方误差对水质短期预测结果进行评估， 具体 计算方法如下： 其中R2是决定系数， MSE是均方误差， N是样本数量， yn为实际值， 为预测值。 3.根据权利要求1所述的基于改进LSTM的流域水质短期预测方法， 其特征在于， 所述步 骤S2中， 对构建的基于改进LSTM的水质短期预测模型进行训练具体包括： 通过反向传播 算法对改进LSTM网络进行训练， 包括： 对神经网络中的各个神经元进行记忆单元的计算， 所述记忆单元包括遗忘门ft、 输入门 it、 输出门ot、 迁移门mt、 分布门dt向量的值； 通过反向计算对各神经元的误差项δ进行计算， 进而通过迭代计算减小误差； 改进LSTM 误差项的反向计算方法为沿时序信息的时间轴和神经网络的层级两个传播方向进行误差 计算， 并根据相应的误差项， 计算每 个权重的梯度， 具体 计算公式如下： 权　利　要　求　书 2/3 页 3 CN 114386686 B 3