(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 202210400036.3 (22)申请日 2022.04.15 (71)申请人 桂林电子科技大 学 地址 541000 广西壮 族自治区桂林市七 星 区金鸡路1号 (72)发明人 许睿　吴文杰　李建　沈世铭　 (74)专利代理 机构 深圳市诺正鑫泽知识产权代 理有限公司 4 4689 专利代理师 罗华 (51)Int.Cl. G06T 7/00(2017.01) G06V 10/44(2022.01) G06V 10/764(2022.01) G06N 3/08(2006.01) G06N 3/04(2006.01)G06V 10/82(2022.01) (54)发明名称 基于烛台理论的水质预测方法 (57)摘要 本申请公开了一种基于烛台理论的水质预 测方法， 包括： 获取预定区域内多个监测点在预 定时间段的水质数据， 水质数据包括污染物数据 和水文气象数据， 监测点包括目标监测点， 并根 据目标监测点的污染物数据生 成烛台图， 以及通 过特征提取模 型对烛台图进行特征提取， 以得到 水污染特征数据， 特征提取模型由卷积神经网络 训练得到， 再对水污染特征数据、 水质数据进行 融合处理， 以得到时序数据集， 最后通过时序预 测模型对时序数据集处理， 以得到目标监测点在 目标时间段的水质预测结果。 如此， 能够对水污 染的变化过程有效分类， 从而有效地提升了水污 染预测精度。 权利要求书1页 说明书7页 附图8页 CN 114897791 A 2022.08.12 CN 114897791 A 1.一种基于烛台理论的水质预测方法， 其特 征在于， 所述水质预测方法包括： 获取预定区域内多个监测点在预定时间段的水质数据， 所述水质数据包括污染物数据 和水文气象数据， 所述 监测点包括目标监测点； 根据所述目标监测点的所述污染物数据生成烛台图； 通过特征提取模型对所述烛台图进行特征提取， 以得到水污染特征数据， 所述特征提 取模型由卷积神经网络训练得到； 对所述水污染特 征数据、 所述水质数据进行融合处 理， 以得到时序数据集； 通过时序 预测模型对所述 时序数据集处理， 以得到所述目标监测点在目标时间段的水 质预测结果。 2.根据权利要求1所述的水质预测方法， 其特征在于， 所述根据 所述目标监测点的所述 污染物数据生成烛台图， 包括： 通过K线发生器将所述目标监测点的所述污染物转 化为所述烛台图。 3.根据权利要求2所述的水质预测方法， 其特征在于， 所述预定时间段包括多个等 时长 的子时间段， 所述通过K线发生器将所述目标监测点的所述污染物转化为所述烛台图， 包 括： 根据每个子时间段内起始时刻、 终止时刻的所述污染物数据以及浓度最高值、 浓度最 低值的所述污染物数据建立对应的烛台； 根据所述烛台生成多个所述烛台图， 每 个所述烛台图包括预设数量的所述烛台。 4.根据权利要求1所述的水质预测方法， 其特征在于， 所述通过特征提取模型对所述烛 台图进行 特征提取， 以得到水污染特 征数据， 包括： 对所述烛台图进行 卷积、 池化以及全连接处 理， 以得到所述水污染特 征数据。 5.根据权利要求1所述的水质预测方法， 其特征在于， 在所述根据 所述目标监测点的所 述污染物数据生成烛台图之前， 所述水质预测方法还 包括： 删除所述水质数据中的错 误数据和全天缺失数据； 利用所述水质数据的平均值 填充局部缺失数据； 及 采用拉依达准则剔除所述水质数据中的异常数据。 6.根据权利要求1所述的水质预测方法， 其特征在于， 在所述根据 所述目标监测点的所 述污染物数据生成烛台图之前， 所述水质预测方法还 包括： 归一化所述水质数据。 7.根据权利要求1所述的水质预测方法， 其特征在于， 所述水文气象数据包括所述水文 气象数据包括电导 率、 氢离子浓度指数值、 浊度值、 流 量值、 水温和降雨。 8.根据权利要求1所述的水质预测方法， 其特征在于， 所述污染物数据包括氨氮、 总磷、 总氮、 高猛 酸盐和溶解氧中的至少一种。权　利　要　求　书 1/1 页 2 CN 114897791 A 2基于烛台理论的水质预测方 法 技术领域 [0001]本申请涉及环境领域， 特别涉及一种基于烛台理论的水质预测方法。 背景技术 [0002]近年来， 河道水污染成为了环境水力学的研究热点。 受各种外部因素影响， 污染物 传输扩散机理复杂， 水质模拟预测难度大。 在雨源性型河流中， 河道水质变化与气象条件相 关性明显， 呈现出不同的分类类型。 相关技术中， SWAT模 型通常被采用， 但存在局限性， 包括 参数率定困难和模型构造复杂， 并且， 这类模型关注的焦点只是输入与输出之间数值序列 的统计规 律， 河道水污染的变化过程 不能被有效地分类反应， 模型 预测精度受到影响。 发明内容 [0003]有鉴于此， 本申请提供一种基于烛台理论的水质预测方法。 [0004]本申请实施方式的基于烛台理论的水质预测方法包括： [0005]获取预定区域内多个监测点在预定时间段的水质数据， 所述水质数据包括污染物 数据和水文气象数据， 所述 监测点包括目标监测点； [0006]根据所述目标监测点的所述污染物数据生成烛台图； [0007]通过特征提取模型对所述烛台图进行特征提取， 以得到水污染特征数据， 所述特 征提取模型由卷积神经网络训练得到； [0008]对所述水污染特 征数据、 所述水质数据进行融合处 理， 以得到时序数据集； [0009]通过时序预测模型对所述时序数据集处理， 以得到所述目标监测点在目标时间段 的水质预测结果。 [0010]在某些实施方式中， 所述根据所述目标监测点的所述污染物数据生成烛台图， 包 括： [0011]通过K线发生器将所述目标监测点的所述污染物转 化为所述烛台图。 [0012]在某些实施方式中， 所述预定时间段包括多个等时长的子时间段， 所述通过K线发 生器将所述目标监测点的所述污染物转 化为所述烛台图， 包括： [0013]根据每个子时间段内起始时刻、 终止时刻的所述污染物数据以及浓度最高值、 浓 度最低值的所述污染物数据建立对应的烛台； [0014]根据所述烛台生成多个所述烛台图， 每 个所述烛台图包括预设数量的所述烛台。 [0015]在某些实施方式中， 所述通过特征提取模型对所述烛台图进行特征提取， 以得到 水污染特 征数据， 包括： [0016]对所述烛台图进行 卷积、 池化以及全连接处 理， 以得到水污染特 征数据。 [0017]在某些实施方式中， 在所述根据所述目标监测点的所述污染物数据生成烛台图之 前， 所述水质预测方法还 包括： [0018]删除所述水质数据中的错 误数据和全天缺失数据； [0019]利用所述水质数据的平均值 填充局部缺失数据； 及说　明　书 1/7 页 3 CN 114897791 A 3