1.基于多源迁移学习的水质预测方法,其特征在于:所述方法包括如下步骤:步骤1:根据水域中待预测监测点水质信息以及临近监测点水质信息,构造基于多源迁移学习的水质预测框架,其由基于高斯卷积的水质特征提取网络,基于瓶颈层的水质特征对齐网络和基于回声状态网络ESN的水质预测模型组成,并得到初步预测结果;
所述步骤1中,构造框架以及得到初步预测结果的具体步骤如下:
步骤1‑1:收集水域中待预测监测点水质信息Xo,和n个临近监测点水质信息({Xs1,Xs2,…,Xsj,…,Xsn}),其中Xsj为第j个临近监测点水质信息;对n个临近监测点和待预测监测点的水质信息通过Min‑Max算法进行归一化,得到n个临近监测点归一化后的水质信息其中 为第j个临近监测点归一化后的水质信息, 为待预测监测点归一化后的水质信息;
步骤1‑2:将n个临近监测点和待预测监测点归一化后的水质信息通过滑动窗口d进行划分,得到n个临近监测点划分后的水质信息Ts={Ts1,Ts2,…,Tsj,…,Tsn},其中为第j个临近监测点t‑1时刻划分后的水质信息, 为Tsj中t‑k时刻归一化后的水质信息; 为待预
测监测点t‑1时刻划分后的水质信息,其中 为To中t‑k时刻归一化后的水质信息;
步骤1‑3:构造基于高斯卷积的水质特征提取网络,用于提取n个临近监测点和待预测F监测点的共同水质特征;基于高斯卷积的水质特征提取网络F由高斯卷积核RBF ,归一化函F数BatchNorm,线性整流函数Relu,最大池化层MaxPool,高斯卷积核RBF ,归一化函数F FBatchNorm,高斯卷积核RBF ,归一化函数BatchNorm,高斯卷积核RBF ,归一化函数FBatchNorm,高斯卷积核RBF ,归一化函数BatchNorm组成;将划分后的水质信息输入F中,首F先通过RBF卷积和BatchNorm归一化,其次通过Relu激活,然后通过MaxPool池化,最后依次F F F通过RBF 卷积和BatchNorm归一化,RBF 卷积和BatchNorm归一化,RBF 卷积和BatchNorm归F一化,RBF卷积和BatchNorm归一化,最终得到提取后的水质特征;输入步骤1‑2得到的n个临近监测点和待预测监测点t‑1时刻划分后的水质信息至F中,计算n个临近监测点和待预测监测点t‑1时刻提取后的水质特征;具体公式如下:其中,Ts为步骤1‑2中n个临近监测点t‑1时刻划分后的水质信息,To为步骤1‑2中待预测监测点t‑1时刻划分后的水质信息, 为n个临近监测点t‑1时刻提取后的水质特征,其中 为第j个临近监测点t‑1时刻提取后的水质特征, 为待预测监测点t‑1时刻提取后的水质特征;
步骤1‑4:构造第j个临近监测点基于瓶颈层的水质特征对齐网络Hj,用于对齐第j个临近监测点和待预测监测点提取后的水质特征;第j个临近监测点基于瓶颈层的水质特征对齐网络Hj由高斯卷积核 归一化函数BatchNorm,高斯卷积核 归一化函数BatchNorm,高斯卷积核 归一化函数BatchNorm,线性整流函数Relu组成;将提取后的水质特征输入Hj中,首先依次通过 卷积和BatchNorm归一化, 卷积和BatchNorm归一化, 卷积和BatchNorm归一化,然后通过Relu激活,最后得到对齐后的水质特征;在每个临近监测点都采用同样的网络结构对齐提取后的水质特征,输入步骤
1‑3中第j个临近监测点和待预测监测点t‑1时刻提取后的水质特征至Hj中,通过Hj计算第j个临近监测点和待预测监测点t‑1时刻对齐后的水质特征;具体公式如下:其中, 为步骤1‑3得到的第j个临近监测点t‑1时刻提取后的水质特征, 为步骤1‑
3得到的待预测监测点t‑1时刻提取后的水质特征;T′sj为第j个临近监测点t‑1时刻对齐后的水质特征,T′oj为待预测监测点t‑1时刻对齐后的水质特征;
步骤1‑5:根据1‑4中第j个临近监测点和待预测监测点t‑1时刻对齐后的水质特征构造样本对,第j个临近监测点样本对Usj={T′sj,ysj},其中T′sj为步骤1‑4中得到的第j个临近监测点t‑1时刻对齐后的水质特征,ysj为第j个临近监测点t时刻的水质信息;待预测监测点样本对Uoj={T′oj,yo},其中T′oj为步骤1‑4中得到的待预测监测点t‑1时刻对齐后的水质特征,yo为待预 测监 测点t时刻的水 质信息 ;将Usj与Uoj合并 ,得 到的作为第j个临近监测点的基于ESN的水质预测模型
的训练集,其中 为T′sj和T′oj合并后的水质特征, 为ysj和yo合并后的水质信息;
步骤1‑6:构造第j个临近监测点的基于ESN的水质预测模型ESNj,该模型由具有d个神经元的输入层,具有r个神经元的储备池和具有1个神经元的输出层组成;在每个临近监测点都采用同样的预测模型结构对水质信息进行预测;输入步骤1‑5中合并后的水质特征至ESNj中,根据ESNj的计算公式得到预测结果;具体公式如下:其中, 为ESNj中输入层权重, 为ESNj中输出层权重, 为ESNj中储备池权重,Tanh(·)为双曲正切函数,Uj(t)为ESNj中储备池状态向量, 为ESNj的输入,是步骤1‑5得到的合并后的水质特征, 为ESNj的输出,是通过ESNj计算得到的预测结果;
步骤1‑7:在每个临近监测点执行步骤1‑4、1‑5、1‑6,得到n个临近监测点对齐后的特征和预测结果;
步骤2:根据步骤1得到的初步预测结果,优化基于多源迁移学习的水质预测框架中的预测参数;
步骤3:使用步骤2预测参数优化后的基于多源迁移学习的水质预测框架,得到最终的预测结果。
2.根据权利要求1所述基于多源迁移学习的水质预测方法,其特征在于:所述步骤2中,优化基于多源迁移学习的预测参数,包括基于高斯卷积的水质特征提取网络F中高斯卷积F核RBF ,基于瓶颈层的水质特征对齐网络Hj中高斯卷积核 和基于ESN的水质预测模型ESNj中输出层权重 优化的具体步骤如下:步骤2‑1:根据步骤1‑7得到的预测结果进行计算,得到n个临近监测点间的模型预测偏差lmse,用于衡量n个临近监测点的基于ESN的水质预测模型间预测偏差;lmse越小说明n个临近监测点的基于ESN的水质预测模型间预测偏差越小;lmse的具体计算步骤如下:true
其中,y 为待预测监测点真实水质信息, 为第j个临近监测点的基于ESN的水质预测模型的预测结果,Mse(·)为均方误差函数;
步骤2‑2:根据步骤1‑7得到的对齐后的水质特征进行计算,得到n个临近监测点间的模型偏差lmmd,用于衡量n个临近监测点间对齐后水质特征偏差;lmmd越小说明n个临近监测点间对齐后的水质特征偏差越小;lmmd的具体计算公式如下:其中, 为最大均值差异函数,用于衡量映射到同一特征空间后临近监测点和待预测监测点提取后的水质特征间距离,T′sj为第j个临近监测点对齐后的水质特征,T′oj为待预测监测点对齐后的水质特征;
步骤2‑3:根据步骤1‑7得到的预测结果进行计算,得到n个临近监测点间的模型对齐偏差ldisc,用于衡量n个临近监测点的基于ESN的水质预测模型间偏差;ldisc越小说明n个临近监测点的基于ESN的水质预测模型间偏差越小;ldisc的具体计算公式如下:其中, 为第i个临近监测点的基于ESN的水质预测模型预测结果, 为第j个临近监测点的基于ESN的水质预测模型预测结果;
步骤2‑4:根据步骤2‑1、2‑2、2‑3得到的lmse、lmmd、ldisc,计算总体偏差ltotal;由于基于高F斯卷积的水质特征提取网络F中高斯卷积核RBF 和基于瓶颈层的水质特征对齐网络Hj中高斯卷积核 影响其对齐后的水质特征,基于ESN的水质预测模型ESNj中输出层权重F
影响其预测结果;在n个临近监测点,采用批梯度下降算法更新F中RBF ,Hj中 和ESNj中 最小化ltotal,ltotal越小说明预测效果越好;ltotal具体计算公式如下:ltotal=lmse+γ(lmmd+ldisc)
其中,γ为权衡参数,用于衡量lmmd和ldisc的重要性,γ的具体计算公式如下:其中,iter为迭代次数,i为当前迭代次数。
3.根据权利要求1所述基于多源迁移学习的水质预测方法,其特征在于:所述步骤3中,使用基于多源迁移学习的水质预测框架的具体步骤如下:步骤3‑1:在第j个临近监测点,输入待预测监测点当前时刻的前d个时刻水质信息到步骤2优化后的基于多源迁移学习的水质预测框架中,经过基于高斯卷积的水质特征提取网络F、基于瓶颈层的水质特征对齐网络Hj和基于ESN的水质预测模型ESNj的计算得到预测结果步骤3‑2:在每个临近监测点执行步骤3‑1,得到n个临近监测点的预测结果;
步骤3‑2:将步骤3‑2得到的n个临近监测点的预测结果通过算术平均进行融合,得到最终预测结果;最终预测结果的具体计算公式如下:avg
其中,y 为待预测监测点的最终预测结果, 为第j个临近监测点的预测结果。