本發明公開了一種基于對比散度?長短期記憶網絡的藍藻水華預測方法，屬于水環境預測技術領域。本發明首先建立CD?LSTM模型，采用改進的移動平均濾波算法對藍藻水華表征因素進行平滑處理；然后采用對比散度算法對藍藻水華影響因素進行重構；最后通過LSTM模型完成藍藻水華預測。本發明將對比散度算法、移動平均濾波算法和長短期記憶網絡模型相結合，提供一種基于CD?LSTM的藍藻水華預測方法，該方法能夠提高水華的預測精度，為藍藻水華預測提供一種新思路。

技術領域

本發明涉及一種水華預測方法，屬于水環境預測技術領域。具體地說，是基于對比散度-長短期記憶網絡(Contrastive Divergence-Long Short Term Memory networks，CD-LSTM)的藍藻水華預測方法。

背景技術

隨著社會經濟的發展，水體富營養化現象越來越普遍，給人們的生活造成了很多困擾。水體富營養化是發生在淡水中，由水體中氮、磷、鉀含量過高導致藻類突然性過度增殖的一種自然現象。而水華是水體藻類大量生長或聚集并達到一定濃度的現象，是水體富營養化和特定條件綜合作用的結果。水華現象的出現嚴重破壞了水生生態平衡，危害了人們的健康。因此，通過預測和模擬來有效的防治水華現象的發生具有重要意義。

現階段，藍藻水華預測多選用葉綠素和藻密度作為預測模型的表征因素。現有的藍藻水華預測方法主要分為兩類，一類是基于機理驅動建模方法，一類是基于數據驅動建模方法。機理驅動模型主要是從水華形成的過程機理出發，通過物理、化學規律建立關鍵變量與其它可測變量之間的數學方程，經推導后建立起來的描述形成過程的方程組的數學模型。因此，機理驅動模型可以根據水華機理預測水質變化，主要方法有單一營養物質限制模型、浮游植物與營養鹽模型以及生態動力學模型等。數據驅動建模方法不需要考慮水華內部機理，主要是對水華數據進行分析，建立水華表征因素和影響因素數據之間的非線性關系來完成水華的預測預警，主要方法有數理統計模型和人工智能模型。數理統計模型是通過處理狀態變量的歷史數據，利用回歸分析、相關分析等方法分析影響因素對狀態變量的作用，發現變量之間的規律。人工智能模型主要利用其自適應、自組織、自學習的能力為解決水華預測等非線性問題上提供了新方法。目前的人工智能方法主要有人工神經網絡、支持向量機以及粒子群算法等。

目前基于機理驅動模型方法雖然得到廣泛應用，但對數據的要求較高，同時水華暴發機理復雜，導致機理驅動模型的建模比較困難。而基于數據驅動模型方法雖然不考慮水華復雜的機理過程，但目前的數據驅動模型并不能很好的提取數據特征并建立影響因素和表征因素之間的關系再通過數據驅動模型完成預測。

因此，為了解決機理驅動模型和數據驅動模型的缺點，尋找一種充分提取數據特征，建立藍藻水華的表征因素與影響因素之間的關系并優化模型參數的智能方法是藍藻水華研究領域中亟待解決的問題。

發明內容

本發明的目的是為了解決現有的水華預測精度不高、無法僅通過單一因素或者單一的數學方法處理高度非線性系統的預測問題，本發明將對比散度算法、移動平均濾波算法和長短期記憶網絡模型相結合，提供一種基于CD-LSTM的藍藻水華預測方法，該方法能夠提高水華的預測精度，為藍藻水華預測提供一種新思路。

本發明提供的基于CD-LSTM的藍藻水華預測方法主要包括以下4個步驟：

步驟一、建立CD-LSTM模型；

水華預測是一個動態時序問題，并且藍藻水華現象的暴發不僅與表征因素有關，還與其它影響因素存在著一定的關系。無論是表征因素還是影響因素，它們都具備隨時間變化的特點。因此建立未來時刻的表征因素與當前時刻和歷史時刻的表征因素和影響因素的時序關系，進而建立CD-LSTM模型。CD-LSTM模型首先通過移動平均濾波算法對水華表征因素進行處理，再采用對比散度算法通過特征提取層對水華影響因素進行重構，并建立表征因素和影響因素之間的關系，最后將重構的影響因素和濾波處理后的表征因素寫成時序的形式作為CD-LSTM模型的輸入，將未來時刻的表征因素作為CD-LSTM模型的輸出，來完成CD-LSTM模型的整個訓練。