本發(fā)明涉及水生態(tài)環(huán)境監(jiān)測，特別是一種基于自適應(yīng)模型和動態(tài)數(shù)據(jù)融合的水生態(tài)環(huán)境監(jiān)測數(shù)據(jù)預(yù)測方法。

背景技術(shù)：

1、我國目前水生態(tài)環(huán)境保護(hù)主要包含兩大方面：一是生態(tài)防止與治理；一是生態(tài)環(huán)境監(jiān)測，在生態(tài)環(huán)境監(jiān)測中，不同的生態(tài)類型有不同的生態(tài)要素，并制定了嚴(yán)格的生態(tài)要素數(shù)據(jù)標(biāo)準(zhǔn)規(guī)范，具有法律效力，禁止更改。監(jiān)測數(shù)據(jù)真實反應(yīng)監(jiān)測時點的環(huán)境指標(biāo)情況，在生態(tài)治理工作中，通過歷史監(jiān)測數(shù)據(jù)能了解生態(tài)環(huán)境過去的情況，但在生態(tài)環(huán)境保護(hù)工作的工作規(guī)劃和決策時，往往需要根據(jù)未來規(guī)劃的目標(biāo)來制定當(dāng)前的工作規(guī)劃和決策，使得決策科學(xué)合理又不浪費投資。

2、當(dāng)前水生態(tài)環(huán)境監(jiān)測主要依賴于定期采樣和實驗室分析，這種方法成本高、耗時長，且無法實時反映環(huán)境變化。此外，傳統(tǒng)的預(yù)測模型通常基于固定數(shù)據(jù)集，難以適應(yīng)環(huán)境數(shù)據(jù)的動態(tài)變化。

3、因此，研究一種基于自適應(yīng)模型和動態(tài)數(shù)據(jù)融合的水生態(tài)環(huán)境監(jiān)測數(shù)據(jù)預(yù)測方法在水生態(tài)環(huán)境保護(hù)的工作決策中具有重要的實際應(yīng)用價值。

技術(shù)實現(xiàn)思路

1、為解決現(xiàn)有技術(shù)中存在的問題，本發(fā)明的目的是提供一種基于自適應(yīng)模型和動態(tài)數(shù)據(jù)融合的水生態(tài)環(huán)境監(jiān)測數(shù)據(jù)預(yù)測方法，本發(fā)明通過自適應(yīng)模型和動態(tài)數(shù)據(jù)融合技術(shù)，實現(xiàn)對水生態(tài)環(huán)境監(jiān)測數(shù)據(jù)的實時和準(zhǔn)確預(yù)測；模型能夠根據(jù)實時數(shù)據(jù)動態(tài)調(diào)整參數(shù)，提高預(yù)測的準(zhǔn)確性和響應(yīng)速度。

2、為實現(xiàn)上述目的，本發(fā)明采用的技術(shù)方案是：一種基于自適應(yīng)模型和動態(tài)數(shù)據(jù)融合的水生態(tài)環(huán)境監(jiān)測數(shù)據(jù)預(yù)測方法，包括以下步驟：

3、步驟1、確定需要預(yù)測的生態(tài)環(huán)境要素；

4、步驟2、從監(jiān)測數(shù)據(jù)庫中獲取歷史數(shù)據(jù)并加載到預(yù)測訓(xùn)練環(huán)境；

5、步驟3、對歷史數(shù)據(jù)進(jìn)行預(yù)處理；

6、步驟4、模型構(gòu)建，對數(shù)據(jù)進(jìn)行基礎(chǔ)特征識別、關(guān)鍵參數(shù)提取，根據(jù)數(shù)據(jù)基礎(chǔ)特征、通過模型初選機(jī)制從已完成訓(xùn)練的數(shù)據(jù)模型庫篩選并確定最佳數(shù)據(jù)模型；

7、步驟5、對模型進(jìn)行訓(xùn)練，使用歷史數(shù)據(jù)集進(jìn)行迭代訓(xùn)練，并優(yōu)化模型參數(shù)；

8、步驟6、設(shè)定預(yù)測條件，運行預(yù)測模型，輸出預(yù)測結(jié)果，并提供精度評價。

9、作為本發(fā)明的進(jìn)一步改進(jìn)，在步驟1中，所述生態(tài)環(huán)境要素包括水質(zhì)指標(biāo)和生物多樣性指數(shù)，且由工作目標(biāo)決定對生態(tài)環(huán)境全要素中的哪個要素進(jìn)行預(yù)測。

10、作為本發(fā)明的進(jìn)一步改進(jìn)，在步驟2中，所述歷史數(shù)據(jù)以時間序列的形式存在，表示如下：

11、d＝{d1,d2,...,dn}

12、其中d是歷史數(shù)據(jù)集，di是在時間點i觀測到的數(shù)據(jù)。

13、作為本發(fā)明的進(jìn)一步改進(jìn)，在步驟3中，預(yù)處理包括數(shù)據(jù)清洗、異常值處理、數(shù)據(jù)歸一化：

14、

15、其中x是原始數(shù)據(jù)，x'是歸一化后的數(shù)據(jù)。

16、作為本發(fā)明的進(jìn)一步改進(jìn)，所述步驟4具體如下：

17、將多因素的歷史監(jiān)測數(shù)據(jù)中可能相關(guān)的因素變量轉(zhuǎn)換成一組線性不相關(guān)的因素變量，形成模型潛在參數(shù)，即潛參集合；

18、對模型潛參進(jìn)行表達(dá)尺度標(biāo)準(zhǔn)化，構(gòu)建統(tǒng)一的模型參數(shù)表達(dá)基準(zhǔn)：

19、

20、其中，x'i是標(biāo)準(zhǔn)化后的數(shù)據(jù)，xi是原始數(shù)據(jù)，μi是數(shù)據(jù)的均值，σi是數(shù)據(jù)的標(biāo)準(zhǔn)差；

21、計算標(biāo)準(zhǔn)化后模型潛參的數(shù)學(xué)特征分布，即潛參對模型最終特征表達(dá)的貢獻(xiàn)度矩陣c：

22、

23、其中，cij是協(xié)方差矩陣的元素，x'ki是第k個樣本在第i個特征上的值，是第i個特征的均值,，x'kj是第k個樣本在第j個特征上的值，是第j個特征的均值；

24、貢獻(xiàn)度矩陣分解，得出每個潛參在模型特征表達(dá)中的量化計算式：

25、cv＝λv

26、其中cv是潛參v的模型特征貢獻(xiàn)度，λ是潛參特征征，v是潛參特征向量；

27、選擇特征貢獻(xiàn)主成分，對所有潛參特征貢獻(xiàn)度排序，選擇前n個貢獻(xiàn)度，構(gòu)建潛參特征貢獻(xiàn)度矩陣vn：

28、vn＝[v1?v2?…?vn]。

29、作為本發(fā)明的進(jìn)一步改進(jìn)，在步驟5中，把初選模型后的監(jiān)測數(shù)據(jù)動態(tài)追加到的按一定機(jī)制劃分時段的歷史數(shù)據(jù)，構(gòu)建不同的數(shù)據(jù)訓(xùn)練與測試集，對模型進(jìn)行迭代訓(xùn)練，并對訓(xùn)練結(jié)果進(jìn)行精度評價和超參調(diào)優(yōu)，直到模型精度達(dá)到業(yè)務(wù)要求，模型完成優(yōu)化升級并進(jìn)入模型庫；訓(xùn)練集與測試集劃分采用k折交叉驗證機(jī)制，以提供比單次劃分訓(xùn)練集和測試集更穩(wěn)健的模型性能估計；具體包括以下步驟：

30、步驟5.1、將數(shù)據(jù)集d隨機(jī)分成k個大小相等的子集d∈{d1?d2?…?dk}，對于每個子集di，重組數(shù)據(jù)集{di，dtrain}；其中di為測試集，dtrain＝d-di為訓(xùn)練集；

31、步驟5.2、在測試集di上使用在初選模型m進(jìn)行預(yù)測，得到預(yù)測值具體包括：

32、精度評估，計算精度指標(biāo)ei:

33、

34、其中，yij是第i折測試集中第j個樣本的真實值，是預(yù)測值，ni是測試集di中樣本的數(shù)量；

35、計算k折平均精度ecv：

36、

37、其中k為k折的數(shù)量，ni為第i折的樣本數(shù)量；

38、計算n個迭代，計算k折平均精度集：

39、

40、精確率評估，計算精確率pi:

41、

42、其中pi是第i折測試集精確率，n是參與訓(xùn)練的樣本總數(shù)，是第k折測試集dk中樣本的數(shù)量，yj是第j個樣本的真實值，是第j個樣本預(yù)測值，ε是模型預(yù)測精度要求；

43、計算k折平均精確率pcv：

44、

45、計算n個迭代，計算k折平均精確率集：

46、

47、步驟5.3、尋找最優(yōu)模型參數(shù)：對平均精度和均精確率分別進(jìn)行線形回歸擬合，得到平均精度和平均精確率的特征方程：

48、

49、其中是平均精度，

50、其中是平均精確率，x是模型訓(xùn)練迭代次數(shù)，兩個特征方程交點即為訓(xùn)練替代次數(shù)的最優(yōu)解：

51、

52、其中x是模型訓(xùn)練迭代次數(shù)。

53、作為本發(fā)明的進(jìn)一步改進(jìn)，在步驟6中，預(yù)測條件涉及時間序列的劃分，使用滑動窗口獲?。?/p>

54、xt＝{xt-k+1,xt-k+2,…,xt}

55、預(yù)測模型按設(shè)定的預(yù)測條件進(jìn)行計算，輸出預(yù)測結(jié)果并給出相應(yīng)的精度評價，即置信度；

56、

57、其中是下一個時間點的預(yù)測值，m是模型函數(shù)，θ是模型參數(shù)。

58、作為本發(fā)明的進(jìn)一步改進(jìn)，還包括以下步驟：

59、步驟7、記錄預(yù)測過程的日志，包括模型選擇、參數(shù)調(diào)整、預(yù)測結(jié)果。

60、作為本發(fā)明的進(jìn)一步改進(jìn)，預(yù)測日志通常記錄模型的運行狀態(tài)和性能指標(biāo)，包括：

61、

62、其中t是時間點，是預(yù)測值，yt是實際值，et是誤差，θt是在時間點t的模型參數(shù)。

63、本發(fā)明在水生態(tài)環(huán)境監(jiān)測數(shù)據(jù)分析領(lǐng)域引入大數(shù)據(jù)和機(jī)器學(xué)習(xí)的技術(shù)，并在其基礎(chǔ)上針對水生態(tài)環(huán)境監(jiān)測數(shù)據(jù)分析預(yù)測提出根據(jù)監(jiān)測數(shù)據(jù)特征自適應(yīng)數(shù)據(jù)模型技術(shù)和引入后續(xù)監(jiān)測數(shù)據(jù)動態(tài)融合到訓(xùn)練數(shù)據(jù)集和測試集進(jìn)行模型迭代訓(xùn)練時實現(xiàn)參數(shù)自主進(jìn)化，改進(jìn)傳統(tǒng)機(jī)器學(xué)習(xí)的數(shù)據(jù)模型數(shù)據(jù)集固定帶來的模型訓(xùn)練中數(shù)據(jù)集因素引入的系統(tǒng)性缺陷，本發(fā)明方法具有根據(jù)數(shù)據(jù)特征自適應(yīng)預(yù)測模型和模型自主進(jìn)化、自動優(yōu)化的優(yōu)點，在水生態(tài)環(huán)境數(shù)據(jù)分析技術(shù)領(lǐng)域具有極高的應(yīng)用價值。

64、本發(fā)明的有益效果是：

65、1、本發(fā)明能夠提供更快速、更準(zhǔn)確的水生態(tài)環(huán)境監(jiān)測數(shù)據(jù)預(yù)測，降低監(jiān)測成本，提高決策效率。

66、2、通過自適應(yīng)和動態(tài)數(shù)據(jù)融合技術(shù)，模型能夠更好地適應(yīng)環(huán)境數(shù)據(jù)的動態(tài)變化，提高預(yù)測的可靠性。