(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 202210925957.1 (22)申请日 2022.08.03 (71)申请人 电子科技大 学 地址 611731 四川省成 都市高新区 （西区） 西源大道 2006号 (72)发明人 黎园园　刘海隆　黄欣悦　沈淳懿　 赵宏涛　周良军　 (74)专利代理 机构 成都虹盛汇泉专利代理有限 公司 51268 专利代理师 王伟 (51)Int.Cl. G06Q 10/04(2012.01) G06Q 50/26(2012.01) G06N 3/04(2006.01) G06K 9/62(2022.01) (54)发明名称 一种基于多图卷积网络的河流水质预测方 法 (57)摘要 本发明公开了一种基于多图卷积网络的河 流水质预测方法， 包括以下步骤： S1、 构建距离 图、 土地利用相似图和排污企业类型相似图； S2、 筛选与水质相关性较高的气象数据， 将水质指标 时间序列数据和筛选出来的气象时间序列数据 作为时间特征数据； S3、 进行多图融合卷积操作， 提取空间特征； S4、 将空间特征和时间特征数据 输入到时间卷积网络中进行训练， 实现监测站点 处的水质预测。 本发明将多图卷积网络和时间卷 积网络应用于河流监测站点水质数据的预测， 从 空间维度和时间维度出发， 充分捕捉河流站点水 质的时空特征， 时间卷积网络对于时间序列的预 测可以很好地抑制 网络层增加带来的梯度消失 或者爆炸的问题， 有利于提高河流水质的预测精 度和效率。 权利要求书2页 说明书6页 附图2页 CN 115146874 A 2022.10.04 CN 115146874 A 1.一种基于多图卷积网络的河流水质预测方法， 其特 征在于， 包括以下步骤： S1、 根据研究区域水质监测站点的空间分布、 土地利用情况和污染源分布情况， 构建距 离图、 土地利用相似图和排污企业类型相似图； S2、 利用皮尔逊相关系数筛选出与水质相关性较高的气象数据， 将各站点的水质指标 时间序列数据和筛 选出来的气象时间序列数据作为时间特 征数据； S3、 对站点间的距离图、 土地利用相似图和排污企业类型相似图进行多图融合卷积操 作， 提取空间特 征； S4、 将空间特征和时间特征数据输入到时间卷积网络中进行训练， 实现监测站点处的 水质预测。 2.根据权利要求1所述的一种基于多图卷积网络的河流水质预测方法， 其特征在于， 所 述S1中的距离图、 土地利用相似图和排污企业类型相似图均表示为G＝(V,E,A)的形式， 其 中， 顶点V代表监测站点， 设监测站点数量为N； E为连接顶点的边， 代表监测站点之间的河 道； A代表图的邻接矩阵； 距离图具体为： 利用站点之间 的河网距离d(i,j)来计算距离图的邻接矩阵Adis的元素， 邻接矩阵Adis的计算公式如下： 其中， i、 j表示两个站点， i →j表示站点i到站点j， d(i,j)表示站点i到站点j的河网距 离； 土地利用相似图具体为： 根据计算得到的每个站点周围一定空间尺度 下土地利用类型 面积占比， 构建每个站点的土地利用类型面积占比向量e＝(e1,e2,…,ek,…eL)； 利用余弦 相似度计算监测站点中两两之间土地利用类型面积占比的相似度作为土地利用相似图的 邻接矩阵Aland； 余弦相似度的计算公式如下： 其中， k表示第k个土地利用类 型， 共L个土地利用类 型； ik表示站点i周围第k个土地利用 类型的面积占比， jk表示站点j周围第k个土地利用类型的面积占比； 排污企业类型相似图具体为： 统计每个监测 站点在一定空间尺度 下各种类型排污企业 的数量， 构建每个站点的排污企业类型向量， 利用余弦相似度的公式计算监测站点间两两 之间排污企业类型的相似度， 作为 排污企业类型相似图的邻接矩阵Afactory。 3.根据权利要求1所述的一种基于多图卷积网络的河流水质预测方法， 其特征在于， 所 述步骤S2具体实现方法为： S21、 收集站点的水质数据和气象数据， 利用皮尔逊相关系数筛选出与水质相关性较强 的气象因子作为气象数据， 皮尔逊相关系数是计算两个变量X和Y 之间的协方差和标准差之 间的商， 其公式如下：权　利　要　求　书 1/2 页 2 CN 115146874 A 2其中， 分别是变量X和Y的均值， 变量X和Y分别表示水质和气象因子， n为水质或气 象因子总数量； 选择皮尔逊相关系数r大于或等于 0.8的气象因子作为气象数据； S22、 对水质数据和气象数据进行预处理， 对缺失的数据采用线性插值的方法来填充， 然后采用离 差标准化对数据进行 标准化处理， 标准化公式如下： 其中， xmax为样本数据的最大值， xmin为样本数据的最小值， x*代表离差标准化后的目标 值， x代表需要离 差标准化的数据； S23、 定义特征值矩阵 来存放N个站点在t时刻的所有时间特征数据， 其中N是 站点个数， P是特征值的个数， t是监测时刻； 利用过去T个时间步的数据来对未来T ′时间步 的河流水质进行预测， 因此， 定义矩阵 即利 用t‑T+1～t时刻共T个时间步的特 征数据来进行 预测。 4.根据权利要求3所述的一种基于多图卷积网络的河流水质预测方法， 其特征在于， 步 骤S3具体包括如下分步骤： S31、 将步骤S1中得到三个图的邻接矩阵进行归一 化， 并与单位矩阵相加， 得到： A′＝D‑1A+I 其中， A为邻接矩阵， I 为单位矩阵， S32、 对三个图进行多图融合， 融合公式为： 其中， W′1,W′2,…,W′M＝softmax(W1,W2,…,WM)， W1,W2,…,WM是可学习参数， M表示需要 融合的图的数量， 表示哈达 玛乘法， F为多图融合的结果； S33、 对融合后的结果进行图卷积运 算， 计算公式如下： 其中， 为第l+1层图卷积的输出， W(l)为第l层的参数， 为第l层图卷积的输出， 输入层H(0)为HT， *表示卷积运 算。 5.根据权利要求1所述的一种基于多图卷积网络的河流水质预测方法， 其特征在于， 步 骤S4具体为： 将步骤S 3多图卷积网络输出的包含时空特征的时间序列数据 送入到时间卷积 网络中， 最后通过一个全连接层输出， 得到每个站点在未来T ′个时间步的水质预测值 权　利　要　求　书 2/2 页 3 CN 115146874 A 3