公布日：2024.03.19
申请日：2023.12.08
分类号：G06Q10/0639(2023.01)I;G06F18/213(2023.01)I;G06F18/24(2023.01)I;G06N20/10(2019.01)I
摘要
一种污水水质异常波动检测方法及系统，包括：对目标区域的历史数据进行数据清洗，进行数据清洗时，保留离群值；历史数据包括时间滞后性水质指标、实时水质指标、水量指标和气象指标；将预处理后的实时水质指标、水量指标和气象指标按时间顺序输入水质模型，时间滞后性水质指标作为水质模型的输出，对水质模型进行训练，得到训练好的水质模型；水质模型包括级联的维度注意力层、GRU神经网络层、时间注意力层、全连接层和分类层。与现有技术相比，本发明在确保数据质量的同时保留了反映水质异常波动的异常值，还可以从海量数据中识别并掌握对应于水质异常波动的数据特征，进而实现对污水水质异常波动的快速、准确检测。
权利要求书
1.一种污水水质异常波动检测方法，包括如下步骤：对目标区域的历史数据进行预处理；所述历史数据包括时间滞后性水质指标、实时水质指标、水量指标和气象指标；所述预处理包括以具有相同时间戳的一组数据为最小单位执行数据清洗，进行数据清洗时，保留离群值；将预处理后的实时水质指标、水量指标和气象指标按时间顺序输入水质模型，时间滞后性水质指标作为水质模型的输出，对水质模型进行训练，得到训练好的水质模型；所述水质模型包括级联的维度注意力层、GRU神经网络层、时间注意力层、全连接层和分类层。
2.根据权利要求1所述的污水水质异常波动检测方法，其特征在于，还包括对训练好的水质模型进行微调以使模型的准确率、召回率、F1分数和F2分数达到精度阈值的步骤。
3.根据权利要求1或2所述的污水水质异常波动检测方法，其特征在于，还包括利用训练好的水质模型进行预测的步骤：将当前时刻的实时水质指标、水量指标和气象指标输入到训练好的水质模型中，输出得到预测的时间滞后性水质指标，根据预设阈值判断预测的时间滞后性水质指标是否异常。
4.根据权利要求1或2所述的污水水质异常波动检测方法，其特征在于：所述GRU神经网络层的输出Yt的表达式为Yt＝σ(Htwo+bo)；其中，更新门：Rt＝σ(Xtwxr+Ht-1whr+br)；重置门：Zt＝σ(Xtwxz+Ht-1Whz+bz)；隐含层(t-1)：H′t＝tanh(Xtwxh+(Rt*Ht-1)whh+bh)；隐含层(t)：Ht＝Zt*Ht-1+(1-Zt)*H′t；式中，σ和tanh分别表示Sigmoid激活函数和tanh激活函数，*表示两个向量的标量积，Xt表示t时刻的输入，Ht-1表示t-1时刻的隐藏状态，w、wxh、whh、wxr、whr、wxz、whz表示权重参数，b0、bh、br、bz表示偏置参数。
5.根据权利要求1或2所述的污水水质异常波动检测方法，其特征在于：所述维度注意力层为自注意力结构，所述时间注意力层是由多个自注意力结构并行构成的多头注意力结构。
6.一种污水水质异常波动检测系统，其特征在于，包括：第一水质数据采集器，用于采集时间滞后性水质指标；第二水质数据采集器，用于采集实时水质指标；水量数据采集器，用于采集水量指标；气象数据采集器，用于采集气象指标；预处理模块，用于对目标区域的历史数据进行预处理；所述历史数据包括时间滞后性水质指标、实时水质指标、水量指标和气象指标；所述预处理包括以具有相同时间戳的一组数据为最小单位执行数据清洗，进行数据清洗时，保留离群值；数据处理模块，其内存储有训练好的水质模型，所述水质模型的输入为预处理后的实时水质指标、水量指标和气象指标，输入时按时间顺序输入水质模型，水质模型的输出为时间滞后性水质指标；所述水质模型包括级联的维度注意力层、GRU神经网络层、时间注意力层、全连接层和分类层。
7.根据权利要求6所述的污水水质异常波动检测系统，其特征在于：还包括微调模块，用于对训练好的水质模型进行微调以使模型的准确率、召回率、F1分数和F2分数达到精度阈值。
8.根据权利要求6或7所述的污水水质异常波动检测系统，其特征在于：还包括预测模块，用于利用训练好的水质模型进行预测：将当前时刻的实时水质指标、水量指标和气象指标输入到训练好的水质模型中，输出得到预测的时间滞后性水质指标，根据预设阈值判断预测的时间滞后性水质指标是否异常。
9.根据权利要求6或7所述的污水水质异常波动检测系统，其特征在于：所述GRU神经网络层的输出Yt的表达式为Yt＝σ(Htwo+bo)；其中，更新门：Rt＝σ(Xtwxr+Ht-1whr+br)；重置门：Zt＝σ(Xtwxz+Ht-1whz+bz)；隐含层(t-1)：H′t＝tanh(Xtwxh+(Rt*Ht-1)whh+bh)；隐含层(t)：Ht＝Zt*Ht-1+(1-Zt)*H′t；式中，σ表示Sigmoid激活函数，tanh表示tanh激活函数，*表示两个向量的标量积，Xt表示t时刻的输入，Ht-1表示t-1时刻的隐藏状态，w、wxh、whh、wxr、whr、wxz、whz表示权重参数，b0、bh、br、bz表示偏置参数。
10.根据权利要求6或7所述的污水水质异常波动检测系统，其特征在于：所述维度注意力层为自注意力结构，所述时间注意力层是由多个自注意力结构并行构成的多头注意力结构。
发明内容
本申请的发明目的在于提供一种污水水质异常波动检测方法及系统，通过设计高效的预处理确保数据质量的同时保留了反映水质异常波动的异常值，通过建立基于双重注意力机制的神经网络模型，使得模型可以从海量数据中识别并掌握对应于水质异常波动的数据特征，进而实现对污水水质异常波动的快速、准确检测。
为达到上述目的，本申请采用如下技术方案。
一方面，提供一种污水水质异常波动检测方法，包括如下步骤：
对目标区域的历史数据进行预处理；所述历史数据包括时间滞后性水质指标、实时水质指标、水量指标和气象指标；所述预处理包括以具有相同时间戳的一组数据为最小单位执行数据清洗，进行数据清洗时，保留离群值；
将预处理后的实时水质指标、水量指标和气象指标按时间顺序输入水质模型，时间滞后性水质指标作为水质模型的输出，对水质模型进行训练，得到训练好的水质模型；所述水质模型包括级联的维度注意力层、GRU神经网络层、时间注意力层、全连接层和分类层。
上述方案中，通过在预处理的数据清洗步骤中保留离群值，在确保数据质量的同时保留了反映水质异常波动的异常值。通过建立基于双重注意力(维度注意力和时间注意力)机制的神经网络模型，使得模型可以从海量数据中识别并掌握对应于水质异常波动的数据特征，进而实现对污水水质异常波动的快速、准确检测。
在一些实施例中，还包括对训练好的水质模型进行微调以使模型的准确率、召回率、F1分数和F2分数达到精度阈值的步骤。
在一些实施例中，还包括利用训练好的水质模型进行预测的步骤：将当前时刻的实时水质指标、水量指标和气象指标输入到训练好的水质模型中，输出得到预测的时间滞后性水质指标，根据预设阈值判断预测的时间滞后性水质指标是否异常。
在一些实施例中，所述GRU神经网络层的输出Yt的表达式为Yt＝σ(Htwo+bo)；其中，
更新门：Rt＝σ(Xtwxr+Ht-1whr+br)；
重置门：Zt＝σ(Xtwxz+Ht-1whz+bz)；
隐含层(t-1)：H′t＝tanh(Xtwxh+(Rt*Ht-1)whh+bh)；
隐含层(t)：Ht＝Zt*Ht-1+(1-Zt)*H′t；
式中，σ和tanh分别表示Sigmoid激活函数和tanh激活函数，*表示两个向量的标量积，Xt表示t时刻的输入，Ht-1表示t-1时刻的隐藏状态，w、wxh、whh、wxr、whr、wxz、whz表示权重参数，b0、bh、br、bz表示偏置参数。
在一些实施例中，所述维度注意力层为自注意力结构，所述时间注意力层是由多个自注意力结构并行构成的多头注意力结构。
又一方面，提供一种污水水质异常波动检测系统，其特征在于，包括：
第一水质数据采集器，用于采集时间滞后性水质指标；
第二水质数据采集器，用于采集实时水质指标；
水量数据采集器，用于采集水量指标；
气象数据采集器，用于采集气象指标；
预处理模块，用于对目标区域的历史数据进行预处理；所述历史数据包括时间滞后性水质指标、实时水质指标、水量指标和气象指标；所述预处理包括以具有相同时间戳的一组数据为最小单位执行数据清洗，进行数据清洗时，保留离群值；
数据处理模块，其内存储有训练好的水质模型，所述水质模型的输入为预处理后的实时水质指标、水量指标和气象指标，输入时按时间顺序输入水质模型，水质模型的输出为时间滞后性水质指标；所述水质模型包括级联的维度注意力层、GRU神经网络层、时间注意力层、全连接层和分类层。
在一些实施例中，还包括微调模块，用于对训练好的水质模型进行微调以使模型的准确率、召回率、F1分数和F2分数达到精度阈值。
在一些实施例中，还包括预测模块，用于利用训练好的水质模型进行预测：将当前时刻的实时水质指标、水量指标和气象指标输入到训练好的水质模型中，输出得到预测的时间滞后性水质指标，根据预设阈值判断预测的时间滞后性水质指标是否异常。
在一些实施例中，所述GRU神经网络层的输出Yt的表达式为Yt＝σ(Htwo+bo)；其中，
更新门：Rt＝σ(Xtwxr+Ht-1whr+br)；
重置门：Zt＝σ(Xtwxz+Ht-1whz+bz)；
隐含层(t-1)：H′t＝tanh(Xtwxh+(Rt*Ht-1)whh+bh)；
隐含层(t)：Ht＝Zt*Ht-1+(1-Zt)*H′t；
式中，σ表示Sigmoid激活函数，tanh表示tanh激活函数，*表示两个向量的标量积，Xt表示t时刻的输入，Ht-1表示t-1时刻的隐藏状态，w、wxh、whh、wxr、whr、wxz、whz表示权重参数，b0、bh、br、bz表示偏置参数。
在一些实施例中，所述维度注意力层为自注意力结构，所述时间注意力层是由多个自注意力结构并行构成的多头注意力结构。
本申请至少具有如下技术效果或优点：
1、通过在预处理的数据清洗步骤中保留离群值，在确保数据质量的同时保留了反映水质异常波动的异常值。
2、通过建立基于双重注意力机制的神经网络模型，使得模型可以从海量数据中识别并掌握对应于水质异常波动的数据特征，进而实现对污水水质异常波动的快速、准确检测。
（发明人：张怡拓;郭健;张羽;巫文昕;靳帅国;赵凌云;曹健;任亮）
