本申請(qǐng)涉及基于特定計(jì)算模型的計(jì)算機(jī)系統(tǒng)構(gòu)建，尤其涉及一種基于小波變換和informer模型的城市污水水質(zhì)預(yù)測(cè)方法及系統(tǒng)。

背景技術(shù)：

1、隨著全球污水排放標(biāo)準(zhǔn)日益嚴(yán)格，污水處理廠（wwtps）在運(yùn)行中面臨進(jìn)水水質(zhì)頻繁波動(dòng)、處理過程復(fù)雜、缺乏標(biāo)準(zhǔn)化操作指南以及傳統(tǒng)工藝污染物去除和成本控制不足等問題。準(zhǔn)確預(yù)測(cè)進(jìn)水水質(zhì)參數(shù)，對(duì)優(yōu)化處理策略、提升處理效率、降低成本及增強(qiáng)應(yīng)對(duì)突發(fā)水質(zhì)事件的能力極為關(guān)鍵。

2、現(xiàn)有技術(shù)中，對(duì)于污水處理的進(jìn)水水質(zhì)預(yù)測(cè)時(shí)，通常會(huì)采用循環(huán)神經(jīng)網(wǎng)絡(luò)（rnn）模型，能夠在短時(shí)間進(jìn)行序列數(shù)據(jù)建模，但隨著序列長度的增加，循環(huán)神經(jīng)網(wǎng)絡(luò)模型會(huì)出現(xiàn)梯度消失，從而使處理長時(shí)間序列時(shí)預(yù)測(cè)性能顯著下降。

3、近年來，transformer模型因?yàn)樵谧匀徽Z言處理和時(shí)間序列建模中的優(yōu)勢(shì)，被引入污水處理領(lǐng)域，例如transformer和lstm的遞歸多步預(yù)測(cè)方法，能夠使預(yù)測(cè)電導(dǎo)率的最終模型誤差達(dá)到155.2μs/cm，又如基于transformer的預(yù)訓(xùn)練時(shí)空?qǐng)D神經(jīng)網(wǎng)絡(luò)（pt-stgnn）模型，能夠在12小時(shí)的長期預(yù)測(cè)中，使其平均絕對(duì)誤差（mae）達(dá)到2.737%、均方根誤差（rmse）達(dá)到4.209%和平均絕對(duì)百分誤差（mape）達(dá)到13.648%，該模型在跨領(lǐng)域數(shù)據(jù)融合與長期預(yù)測(cè)任務(wù)中具有較大的優(yōu)勢(shì)。

4、但是，由于其基于自注意力機(jī)制的設(shè)計(jì)導(dǎo)致了高計(jì)算復(fù)雜度，特別是對(duì)于處理長時(shí)間序列，導(dǎo)致資源消耗增加，同時(shí)影響訓(xùn)練和推理的效率，并且不能充分考慮捕捉局部特征和時(shí)間序列數(shù)據(jù)中固有的時(shí)間依賴性。

5、針對(duì)該問題，現(xiàn)有技術(shù)中采用informer模型，informer模型引入稀疏注意力機(jī)制，并整合了時(shí)間戳信息和卷積操作，降低計(jì)算復(fù)雜度，顯著提高處理長時(shí)間序列數(shù)據(jù)的效率，并有效捕捉局部特征和時(shí)間依賴性，增強(qiáng)模型捕捉時(shí)間序列數(shù)據(jù)動(dòng)態(tài)的能力，但是informer在處理時(shí)間序列時(shí)，往往會(huì)忽視噪聲對(duì)數(shù)據(jù)動(dòng)態(tài)特征的影響，無法考慮數(shù)據(jù)的時(shí)間變換特性以及各數(shù)據(jù)點(diǎn)之間的內(nèi)在關(guān)系，這限制了它深入理解數(shù)據(jù)細(xì)節(jié)的能力。

6、因此，有必要改善上述相關(guān)技術(shù)方案中存在的一個(gè)或者多個(gè)問題。

7、需要說明的是，在上述背景技術(shù)部分公開的信息僅用于加強(qiáng)對(duì)本公開的背景的理解，因此可以包括不構(gòu)成對(duì)本領(lǐng)域普通技術(shù)人員已知的現(xiàn)有技術(shù)的信息。

技術(shù)實(shí)現(xiàn)思路

1、本公開實(shí)施例的目的在于提供一種基于小波變換和informer模型的城市污水水質(zhì)預(yù)測(cè)方法及系統(tǒng)，進(jìn)而至少在一定程度上克服由于相關(guān)技術(shù)的限制和缺陷而導(dǎo)致的一個(gè)或者多個(gè)問題。

2、第一方面，本申請(qǐng)?zhí)峁┮环N基于小波變換和informer模型的城市污水水質(zhì)預(yù)測(cè)方法，包括：

3、獲取去除連續(xù)缺失值與異常值的預(yù)測(cè)數(shù)據(jù)，并采用滑動(dòng)窗口方法得到插值對(duì)單個(gè)缺失值進(jìn)行補(bǔ)全，再通過最大信息系數(shù)分析變量相關(guān)性，確定關(guān)鍵特征集；其中，所述預(yù)測(cè)數(shù)據(jù)包括化學(xué)需氧量、氨氮、總氮、總磷、ph、懸浮物、進(jìn)水流量、風(fēng)向、風(fēng)速、能見度、降水量、溫度、相對(duì)濕度與大氣壓；

4、通過多級(jí)分解將所述關(guān)鍵特征集分解為不同的頻率分量，對(duì)分解后的不同頻率分量進(jìn)行動(dòng)態(tài)閾值處理后重新組合，得到重組時(shí)間序列數(shù)據(jù)；

5、建立預(yù)測(cè)模型；所述預(yù)測(cè)模型包括：時(shí)間位置編碼、編碼器與解碼器，其中，所述時(shí)間位置編碼包括位置編碼與時(shí)間編碼，所述位置編碼用于將位置信息嵌入到輸入的時(shí)間序列數(shù)據(jù)中，使模型能夠識(shí)別時(shí)間順序，并捕捉不同位置的時(shí)間依賴性，所述時(shí)間編碼用于捕捉時(shí)間序列數(shù)據(jù)中的周期性變化，所述編碼器用于提取時(shí)間序列的全局和局部特征，所述解碼器采用生成式推理方法，根據(jù)所述提取時(shí)間序列的全局和局部特征和目標(biāo)時(shí)間步的時(shí)間戳信息預(yù)測(cè)結(jié)果；

6、將重組時(shí)間序列數(shù)據(jù)劃分為訓(xùn)練集與測(cè)試集，輸入所述預(yù)測(cè)模型進(jìn)行模型訓(xùn)練，調(diào)整所述預(yù)測(cè)模型的超參數(shù)，得到訓(xùn)練完成的預(yù)測(cè)模型，將待測(cè)進(jìn)水水質(zhì)預(yù)測(cè)數(shù)據(jù)的重組時(shí)間序列數(shù)據(jù)輸入訓(xùn)練完成的預(yù)測(cè)模型，得到待測(cè)進(jìn)水水質(zhì)的預(yù)測(cè)結(jié)果；其中，所述超參數(shù)包括批量大小、注意力頭數(shù)量、編碼器層數(shù)、解碼器層數(shù)、丟棄率、激活函數(shù)、優(yōu)化器、學(xué)習(xí)率。

7、第二方面，本申請(qǐng)?zhí)峁┮环N基于小波變換和informer模型的城市污水水質(zhì)預(yù)測(cè)系統(tǒng)，所述系統(tǒng)用于執(zhí)行上述基于小波變換和informer模型的城市污水水質(zhì)預(yù)測(cè)方法，所述系統(tǒng)包括：

8、關(guān)鍵特征集確定模塊，用于獲取去除連續(xù)缺失值與異常值的預(yù)測(cè)數(shù)據(jù)，并采用滑動(dòng)窗口方法得到插值對(duì)單個(gè)缺失值進(jìn)行補(bǔ)全，再通過最大信息系數(shù)分析變量相關(guān)性，確定關(guān)鍵特征集；其中，所述預(yù)測(cè)數(shù)據(jù)包括化學(xué)需氧量、氨氮、總氮、總磷、ph、懸浮物、進(jìn)水流量、風(fēng)向、風(fēng)速、能見度、降水量、溫度、相對(duì)濕度與大氣壓；

9、重組時(shí)間序列模塊，用于通過多級(jí)分解將所述關(guān)鍵特征集分解為不同的頻率分量，對(duì)分解后的不同頻率分量進(jìn)行動(dòng)態(tài)閾值處理后重新組合，得到重組時(shí)間序列數(shù)據(jù)；

10、預(yù)測(cè)模型建立模塊，用于建立預(yù)測(cè)模型；所述預(yù)測(cè)模型包括：時(shí)間位置編碼、編碼器與解碼器，其中，所述時(shí)間位置編碼包括位置編碼與時(shí)間編碼，所述位置編碼用于將位置信息嵌入到輸入的時(shí)間序列數(shù)據(jù)中，使模型能夠識(shí)別時(shí)間順序，并捕捉不同位置的時(shí)間依賴性，所述時(shí)間編碼用于捕捉時(shí)間序列數(shù)據(jù)中的周期性變化，所述編碼器用于提取時(shí)間序列的全局和局部特征，所述解碼器采用生成式推理方法，根據(jù)所述提取時(shí)間序列的全局和局部特征和目標(biāo)時(shí)間步的時(shí)間戳信息預(yù)測(cè)結(jié)果；

11、進(jìn)水水質(zhì)預(yù)測(cè)模塊，用于將重組時(shí)間序列數(shù)據(jù)劃分為訓(xùn)練集與測(cè)試集，輸入所述預(yù)測(cè)模型進(jìn)行模型訓(xùn)練，調(diào)整所述預(yù)測(cè)模型的超參數(shù)，得到訓(xùn)練完成的預(yù)測(cè)模型，將待測(cè)進(jìn)水水質(zhì)預(yù)測(cè)數(shù)據(jù)的重組時(shí)間序列數(shù)據(jù)輸入訓(xùn)練完成的預(yù)測(cè)模型，得到待測(cè)進(jìn)水水質(zhì)的預(yù)測(cè)結(jié)果；其中，所述超參數(shù)包括批量大小、注意力頭數(shù)量、編碼器層數(shù)、解碼器層數(shù)、丟棄率、激活函數(shù)、優(yōu)化器、學(xué)習(xí)率。

12、本申請(qǐng)?zhí)峁┑募夹g(shù)方案可以包括以下有益效果：

13、通過本申請(qǐng)基于小波變換和informer模型的城市污水水質(zhì)預(yù)測(cè)方法及系統(tǒng)，能夠通過informer模型結(jié)合離散小波變換與膨脹卷積，優(yōu)化全局特征的提取，更精確地捕捉水質(zhì)數(shù)據(jù)中的動(dòng)態(tài)變化和局部波動(dòng)，從而顯著提高模型預(yù)測(cè)精度。

14、需要說明的是，在數(shù)據(jù)處理階段，通過離散小波變換對(duì)時(shí)間序列信號(hào)進(jìn)行多尺度分解，有效去除環(huán)境變化、傳感器誤差等因素引入的噪聲，同時(shí)，保留關(guān)鍵的頻域特征，聚焦重要信號(hào)，從而提高對(duì)污水水質(zhì)變化的識(shí)別能力。在預(yù)測(cè)階段，膨脹卷積通過擴(kuò)展感受域，高效捕捉時(shí)間序列中的長期依賴關(guān)系，與informer框架結(jié)合后，進(jìn)一步增強(qiáng)對(duì)全局和局部特征的提取能力。

15、應(yīng)當(dāng)理解的是，以上的一般描述和后文的細(xì)節(jié)描述僅是示例性和解釋性的，并不能限制本公開。

技術(shù)特征：

1.一種基于小波變換和informer模型的城市污水水質(zhì)預(yù)測(cè)方法，其特征在于，包括：

2.根據(jù)權(quán)利要求1所述基于小波變換和informer模型的城市污水水質(zhì)預(yù)測(cè)方法，其特征在于，所述獲取去除連續(xù)缺失值與異常值的預(yù)測(cè)數(shù)據(jù)，并采用滑動(dòng)窗口方法得到插值對(duì)單個(gè)缺失值進(jìn)行補(bǔ)全，再通過最大信息系數(shù)分析變量相關(guān)性，確定關(guān)鍵特征集的步驟，包括：

3.根據(jù)權(quán)利要求1所述基于小波變換和informer模型的城市污水水質(zhì)預(yù)測(cè)方法，其特征在于，所述通過多級(jí)分解將所述關(guān)鍵特征集分解為不同的頻率分量，對(duì)分解后的不同頻率分量進(jìn)行動(dòng)態(tài)閾值處理后重新組合，得到重組時(shí)間序列數(shù)據(jù)的步驟，包括：

4.根據(jù)權(quán)利要求1所述基于小波變換和informer模型的城市污水水質(zhì)預(yù)測(cè)方法，其特征在于，所述位置編碼通過使用不同頻率的正弦和余弦函數(shù)應(yīng)用于每個(gè)位置，生成的位置編碼向量具有多個(gè)維度，將位置編碼向量的維度劃分為偶數(shù)維度和奇數(shù)維度；

5.根據(jù)權(quán)利要求4所述基于小波變換和informer模型的城市污水水質(zhì)預(yù)測(cè)方法，其特征在于，所述編碼器采用稀疏自注意力機(jī)制公式計(jì)算提取全局特征，并采用膨脹卷積自注意力蒸餾操作公式計(jì)算提取局部特征；

6.根據(jù)權(quán)利要求5所述基于小波變換和informer模型的城市污水水質(zhì)預(yù)測(cè)方法，其特征在于，所述解碼器的輸入為：

7.根據(jù)權(quán)利要求1所述基于小波變換和informer模型的城市污水水質(zhì)預(yù)測(cè)方法，其特征在于，所述將重組時(shí)間序列數(shù)據(jù)劃分為訓(xùn)練集與測(cè)試集，輸入所述預(yù)測(cè)模型進(jìn)行模型訓(xùn)練，調(diào)整所述預(yù)測(cè)模型的超參數(shù)，得到訓(xùn)練完成的預(yù)測(cè)模型，將待測(cè)進(jìn)水水質(zhì)預(yù)測(cè)數(shù)據(jù)的重組時(shí)間序列數(shù)據(jù)輸入訓(xùn)練完成的預(yù)測(cè)模型，得到待測(cè)進(jìn)水水質(zhì)的預(yù)測(cè)結(jié)果的步驟，包括：

8.根據(jù)權(quán)利要求3所述基于小波變換和informer模型的城市污水水質(zhì)預(yù)測(cè)方法，其特征在于，所述近似系數(shù)通過第一公式計(jì)算，所述細(xì)節(jié)系數(shù)通過第二公式計(jì)算；

9.根據(jù)權(quán)利要求8所述基于小波變換和informer模型的城市污水水質(zhì)預(yù)測(cè)方法，其特征在于，所述動(dòng)態(tài)閾值處理通過第三公式計(jì)算；

10.一種基于小波變換和informer模型的城市污水水質(zhì)預(yù)測(cè)系統(tǒng)，其特征在于，所述系統(tǒng)用于執(zhí)行如權(quán)利要求1～9任意一項(xiàng)所述的方法，所述系統(tǒng)包括：

技術(shù)總結(jié)
本申請(qǐng)是關(guān)于一種基于小波變換和Informer模型的城市污水水質(zhì)預(yù)測(cè)方法及系統(tǒng)，包括：獲取去除連續(xù)缺失值與異常值的預(yù)測(cè)數(shù)據(jù)，確定關(guān)鍵特征集；通過多級(jí)分解將所述關(guān)鍵特征集分解為不同的頻率分量，對(duì)分解后的不同頻率分量進(jìn)行動(dòng)態(tài)閾值處理后重新組合，得到重組時(shí)間序列數(shù)據(jù)；建立預(yù)測(cè)模型；訓(xùn)練預(yù)測(cè)模型，并將待測(cè)進(jìn)水水質(zhì)預(yù)測(cè)數(shù)據(jù)的重組時(shí)間序列數(shù)據(jù)輸入，得到待測(cè)進(jìn)水水質(zhì)的預(yù)測(cè)結(jié)果。本申請(qǐng)?zhí)峁┮环N基于小波變換和Informer模型的城市污水水質(zhì)預(yù)測(cè)方法及系統(tǒng)，能夠通過Informer模型結(jié)合離散小波變換與膨脹卷積，優(yōu)化全局特征的提取，更精確地捕捉水質(zhì)數(shù)據(jù)中的動(dòng)態(tài)變化和局部波動(dòng)，從而顯著提高模型預(yù)測(cè)精度。

技術(shù)研發(fā)人員：李丹霞,馬麗麗,高新宇,孟亮杰,李智鑫
受保護(hù)的技術(shù)使用者：延安大學(xué)
技術(shù)研發(fā)日：
技術(shù)公布日：2025/5/15