(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111649608.3 (22)申请日 2021.12.2 9 (71)申请人 南京市生态 环境保护科 学研究院 地址 210000 江苏省南京市 鼓楼区虎 踞路 175号2号楼 (72)发明人 吕婷　金辉　俞欣　金哲　陈曦　 曹学涵　倪庆剑　 (74)专利代理 机构 南京乐羽知行专利代理事务 所(普通合伙) 32326 专利代理师 缪友建 (51)Int.Cl. G06Q 10/04(2012.01) G06Q 50/26(2012.01) G06N 3/00(2006.01) G06N 3/04(2006.01)G06N 3/08(2006.01) (54)发明名称 基于Proph et-GORNN 混合模型的河道水质短 期预测方法 (57)摘要 本发明公开一种基于Proph et‑GORNN混合模 型的河道水质短期预测方法， 包括以下步骤： 由 水质监测站点对河道中水体指标进行了自动监 测； 对站点采集的数据进行了预处理和分析， 对 数据进行了TSR分解， 按照河流的拓扑结构搭建 神经网络GORNN， 然后将所有站点的数据输入搭 建的所述神经网络GORNN得到预测 ， 将预测 时间T+t输入Proph et得到Proph et模型的预测结 果 ； 将 和 进行线性组合， 得到最 终的预测结果 ； 本发明证明了机器学习对 于河道水质预测任务是有效的， 针对 水质数据内 在关系复杂、 非线性强的特点， 机器学习方法可 以有效地 适应， 并获得较好的预测效果。 权利要求书1页 说明书4页 附图1页 CN 114492942 A 2022.05.13 CN 114492942 A 1.基于Prophet ‑GORNN混合模型的河道水质短期预测方法， 其特 征在于包括以下步骤： 由水质监测站点对河道中水体指标进行了自动监测； 对站点采集的数据进行了预处理和分析， 对数据进行了TSR分解， 反映了数据在总体趋 势、 周期性等方面的特征， 通过取对数、 差分以及求移动平均值方法处理源数据， 使数据平 稳易于预测， 同时人为筛除部分极度不合理数据， 以及对于由于可能的设备问题造成的数 据空缺进行插值处 理； 按照河流的拓扑结构搭建神经网络GORNN， 然后将所有站点的数据输入搭建的所述神 经网络GORNN得到预测 将预测时间T+t输入Prophet得到Prophet模型的预测结果 将 和 进行线性组合， 得到最终的预测结果 2.根据权利 要求1所述的基于Prophet ‑GORNN混合模型的河道水质短期预测方法， 其特 征在于： 所述Prophet模型的构成如下： y(t)＝g(t)+s(t)+h(t)+ εt； 其中： g(t)为趋势项， 用来拟合时间序列的趋势性变化； s(t)为周期性变化， 一般来说是以周或者 年为单位； h(t)为节假日因素造成的影响， 数据中是否存在节假日； εt为误差项， 通常表示 突发事件的影响。 3.根据权利 要求1所述的基于Prophet ‑GORNN混合模型的河道水质短期预测方法， 其特 征在于： 对水质监测数据的观察中， 水质监测站点稳定在每4小时采集一次数据； 采用四个 小时滚动平均的办法处 理前期数据， 形成平 滑且前后一 致的数据集。 4.根据权利 要求1所述的基于Prophet ‑GORNN混合模型的河道水质短期预测方法， 其特 征在于： 所述水体数据指标包括氨氮、 溶解氧、 电导率、 化学需氧量、 pH值、 浊度、 总磷和水温 共八项指标。 5.根据权利 要求1所述的基于Prophet ‑GORNN混合模型的河道水质短期预测方法， 其特 征在于： 所述神经网络GORNN中给定矩阵U＝[u1， u2， ...， uN]T， U∈RN×K作为输入， N表示输入 长度， K表示输入特 征维度， 卷积如以下 方式表示： o＝[o1， o2， ...oI]； 式中， s表示卷积核大小， n表示卷积步数， ωi∈Rs×K表示第i个卷积核， I表示卷积核个 数， relu表示激活函数； avg{ ·}表示平均池化， max{ ·}表示最大池化； 进一步对卷积得到 的结果 进行降维通过池化操作降维并拼接， 得到最终的历史功率特 征O。权　利　要　求　书 1/1 页 2 CN 114492942 A 2基于Prophet ‑GORNN混合模型的河道水质短期预测方 法 技术领域 [0001]本发明涉及一种河道水质短期预测方法， 具体说是一种基于Prophet ‑GORNN混合 模型的河道水质短期预测方法， 属于环境保护技 术领域。 背景技术 [0002]近些年来， 我国生态文明建设的意识和能力不断加强， 对水质监管力度不断加大， 高度重视并积极落 实水环境治理工作。 同时， 由于水质自动监测技术不断发展， 各个地方开 始兴建大量水质自动监测站。 这些自动监测站代替了费时费力的人工监测方式， 提高了水 质数据采集效率， 能够可靠、 准确 地进行连续采集， 实现智能化水质监测， 获得了丰富的水 质数据。 这些数据包括氨氮、 溶解氧、 水温、 电导率、 浊度等在内的详细水质指标， 并且数据 量日益庞大， 实现了智慧监测 和智慧数据存 储。 [0003]通过对这些数据进行挖掘分析， 可以及时得到当前水中各项指标的情况， 从而分 析水体中污染物质等状况， 获取水质评价。 同时， 如何 能够根据已有的水质数据来预测未来 水质趋势， 是水环境管理中的重要的基础性工作。 水质的中长期预测有助于决策部门制 定 合理的水资源规划管理政策， 根据水质变化趋势采取合适的响应措施。 采取科学针对性的 方式， 加强水质监管， 提高水体整体质量。 水质预测， 使得水质数据也具备一定的预报功能， 能够在预测到某些特殊变化 发生之前提前采取相关措施， 为水质预警提供了重要的技术手 段。 减少因水质突变、 水体情况异常造成的损失， 保护人类健康， 尽可能地维护公民人身与 财产安全。 水质预测任务由于其数据本身的不确定性和非线性， 具有相对的复杂度和难度。 国内外的研究人员探寻了很多水质预测相关的方法。 近些年来， 机器学习的技术被广泛应 用于各个行业， 给众多的领域带去了颠覆性的改变。 很多实验和研究表明机器学习对于水 质预测问题同样具有适用性。 [0004]Prophet算法是2017年发布的开源时序预测框架， 它主要研究时序数据特征和时 序变化规律， 并对未来走势进行预测。 该算法不仅能够弥补传统时序模型对时序数据过于 局限、 缺失值需要填充、 模型取法灵活性等不足， 而且相较于传统的时序模型， 在模型准确 率以及使用者之间的互动方面具有更好的效果。 Prophet算法是一个可分解的时间序列模 型， 它对时序数据各个特征进行分析， 例如对时序数据的长期趋势性、 季节周期性、 节假日 效应等特 征分析。 Prophet算法通过将这几项特 征拟合， 累加起 来得到时间序列的预测值。 发明内容 [0005]本发明所要解决的技术问题是， 克服现有技术的缺点， 提供一种基于Prophet ‑ GORNN混合模型的河道水质短期预测方法， 能够根据水质监测站得到的大量水质数据进行 有效探索， 通过混合模型预测， 了解水质变化趋势， 为水环 境保护与治理工作提供相关的数 据支撑。 [0006]为了解决以上技术问题， 本发明提供一种基于Prophet ‑GORNN混合模型 的河道水 质短期预测方法， 包括以下步骤：说　明　书 1/4 页 3 CN 114492942 A 3