(19)中华 人民共和国 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 202111602879.3 (22)申请日 2021.12.24 (71)申请人 中国电建集团中南勘测设计 研究院 有限公司 地址 410014 湖南省长 沙市雨花区香樟东 路16号 (72)发明人 刘昊　胡文柯　庄晓杰　刘倩　 刘承照　 (74)专利代理 机构 长沙正奇专利事务所有限责 任公司 431 13 代理人 卢宏　曾利平 (51)Int.Cl. G16C 20/70(2019.01) G16C 20/20(2019.01) G16C 20/30(2019.01)G06N 3/04(2006.01) G06N 3/08(2006.01) G06Q 10/04(2012.01) G06Q 50/26(2012.01) (54)发明名称 地表水质参数预测方法、 系统、 计算机设备 及存储介质 (57)摘要 本发明公开的一种地表水质 参数预测方法 与系统， 包括获取N个站点在 T时期内的水质参数 检测结果， 计算出各水质参数之间的皮尔逊相关 系数， 选取皮尔逊相关系数大于设定阈值的m个 水质参数对应的所有水质参数检测结果作为样 本， 将样本中N个站点在检测时刻 t的水质参数检 测结果作为一条样本数据 构造N个站点间的K 近邻图， 构建长短期记忆图卷积神经网络， 以每M 条样本数据和 邻接矩阵A作为输入对长短期记忆 图卷积神经网络进行训练， 利用训练后的网络进 行水质参数预测。 本发明能高效准确地从多个站 点的历史数据及其相互间的空间关系中捕捉水 质参数的传播变化规律， 并对未来时间段的水质 参数进行准确预测。 权利要求书3页 说明书11页 附图1页 CN 114267422 A 2022.04.01 CN 114267422 A 1.一种地表水质参数 预测方法， 其特 征在于， 包括以下步骤： 获取待预测地表水域内N个站点在T时期内的水质参数检测结果， 设检测周期为t0； 根据所述水质参数检测结果计算出 各水质参数之间的皮尔逊相关系数； 选取皮尔逊相关系数大于设定阈值的m个水质参数对应的所有水质参数检测结果作为 样本； 将所述样本中N个站点在检测时刻t的水质参数检测结果作为一条样本数据 将所 述样本中所有样本数据按照检测时间的先后顺序排序， 样本中有 T/t0条样本数据； 对于每个站点， 取与其距离最近的K个站点作为近邻站点， 构造N个站点间的K近邻图G ＝(N,E,A)， 其中， E表示站点之间链路的集 合， A表示K近邻图G的邻接矩阵； 构建长短期记忆图卷积神经网络， 所述长短期记忆图卷积神经网络包括输入层、 拼接 层、 隐含层、 输出层以及全连接层； 所述输入层包括第一双层图卷积层、 第二双层图卷积层 和第三双层图卷积层， 所述拼接层 包括第一拼接层、 第二拼接层以及第三拼接层， 所述隐含 层包括第一隐含层、 第二隐含层以及第三隐含层； 所述第一双层图卷积层、 第一拼接层以及 第一隐含层依次连接， 所述第二双层图卷积层、 第二拼接层以及第二隐含层依次连接， 所述 第三双层图卷积层、 第三拼接层以及第三隐含层依 次连接； 所述第二隐含层的输出端与所 述第三拼接层的输入端 连接； 所述第一隐含层、 第三隐含层与所述输出层连接， 所述输出层 与所述全连接层连接； 以所述样本中连续的每M条样本数据和所述邻接矩阵A作为输入对所述长短期记忆图 卷积神经网络进行训练， 得到最终的长短期记 忆图卷积神经网络； 其中M≥2； 将N个站点在前M个检测时刻的m个水质参数检测结果输入到最终的长短期记忆图卷积 神经网络中， 得到第M+1个 检测时刻m个水质参数的预测值。 2.如权利要求1所述的地表水质参数预测方法， 其特征在于， 所述皮尔逊相关系数的计 算公式为： 其中， xi为某个水质参数 的第i个检测结果， yi为某个水质参数 的第j个检测结果， p(x, y)为xi和yi对应两个不同的水质参数的皮尔逊相关系数， μx为xi对应水质参数的样本均值， μy为yi对应水质参数的样本均值， R为xi和yi对应水质参数的样本总数， 3.如权利要求1所述的地表水质参数 预测方法， 其特 征在于， 所述设定阈值 为0.5。 4.如权利要求1所述的地表水质参数预测方法， 其特征在于， 所述长短期记忆图卷积神 经网络的具体 计算公式为： 权　利　要　求　书 1/3 页 2 CN 114267422 A 2ht＝ut*ht‑1+(1‑ut)*ct Yt+1＝σ(WYht+bY) 其中， D为度矩阵， D＝ΣΣaij， aij为邻接矩阵A中的元素， W0、 W1均为双层图 卷积层的参数矩阵， ut、 rt、 ct均为网络在当前时刻t的中间输出量， [X,Y]表 示两个向量 的拼接， Wu、 Wr、 Wc、 WY均表示网络权重参数矩阵， bu、 br、 bc、 bY均表示网络偏置参 数， ht‑1为网络在上一时刻t ‑1的输出量， ht为网络在当前时刻t的输出量， Yt+1为网络对下一 时刻t+1的预测量。 5.如权利要求1～4中任一项所述的地表水质参数预测方法， 其特征在于， 所述长短期 记忆图卷积神经网络的具体训练过程 为： 步骤1： 将所述样本按照比例划分为训练样本和 测试样本； 步骤2： 将所述训练样本中每M条样本数据和所述邻接矩阵A输入至所述长短期记忆图 卷积神经网络中， 得到对应的预测量； 步骤3： 根据所述 步骤2的预测量与对应的M条样本数据计算均方根 误差； 步骤4： 判断所述均方根误差是否大于设定误差； 如果是， 则采用梯度下降法更新所述 长短期记 忆图卷积神经网络中的参数， 训练周期加1， 转入步骤2； 否则， 转入步骤5； 步骤5： 判断所述训练周期是否大于设定周期， 如果是， 则得到最终的长短期记忆图卷 积神经网络； 否则训练周期加1， 重复步骤2 ～4。 6.如权利要求5所述的地表水质参数预测方法， 其特征在于， 所述样本按照4:1的比例 划分为训练样本和 测试样本 。 7.一种地表水质参数 预测系统， 其特 征在于， 包括： 数据获取单元， 用于获取待预测地表水域内N个站点在T时期内的水质参数检测结果， 设检测周期为t0； 相关系数计算单元， 用于根据 所述水质参数检测结果计算出各水质参数之间的皮尔逊 相关系数； 筛选单元， 用于选取皮尔逊相关系数大于设定阈值的m个水质参数对应的所有水质参 数检测结果作为样本； 记录及排序单元， 用于将所述样本 中N个站点在检测时刻t的水质参数检测结果作为一 条样本数据 将所述样本中所有样本数据按照检测时间的先后顺序排序， 样本中有T/t0 条样本数据； 图构造单元， 用于对于每个站点， 取与其距离最近的K个站点作为近邻站点， 构造N个站 点间的K近邻图G＝(N,E,A)， 其中， E表示站点之间链路的集 合， A表示K近邻图G的邻接矩阵； 网络构建单元， 用于构建长短期记忆图卷积神经网络， 所述长短期记忆图卷积神经网 络包括输入层、 拼接层、 隐含层、 输出层以及 全连接层； 所述输入层 包括第一双层图卷积层、 第二双层图卷积层和第三双层图卷积层， 所述拼接层包括第一拼接层、 第二拼接层以及第权　利　要　求　书 2/3 页 3 CN 114267422 A 3