一种改进的变分模态分解与BiGRU融合的水质预测方法

一种改进的变分模态分解与bigru融合的水质预测方法
技术领域
1.本发明涉及水质预测技术领域，具体涉及一种改进的变分模态分解与bigru融合的水质预测方法。


背景技术：

2.水不仅是人类生存不可缺少的自然资源，也是国家经济发展的重要战略资源。近几年，随着工业化和城市进程化速度的加快，水污染事件经常发生，水资源短缺问题日益严重，水质预测作为水资源管理的前置环节，精确预测水质指标能及时掌握水质变化趋势，避免污染事件发生。水质数据是波动性大、非线性的时间序列，并且含有大量噪声信号，给水质预测带来难度，将原始数据分解成几个简单序列是一种分析数据的重要手段，常用分解方法有小波变换、经验模态分解(emd)、集成经验模式分解(eemd)等。vmd作为一种新的信号分解方法，能够克服emd和eemd存在问题，但是vmd分解层数和惩罚因子需要人为选取，选择的大小会影响vmd的分解效果。目前，水质预测应用比较多的模型有灰色系统理论模型、时间序列模型以及神经网络模型等，gru网络作为lstm的变体，同样能解决梯度下降问题，相比较lstm结构更加简单，参数更少，但是单向gru在训练过程中只能从前向后提取数据的特征，无法充分体现时间序列双向的相关性。


技术实现要素：

3.本发明的目的是为了解决上述存在问题，利用麻雀搜索算法对vmd的两个参数进行寻优，再利用vmd对水质数据分解，有效克服水质数据非线性、非稳定性的问题。另外采用双向gru作为预测模型，从正反两个反向提取水质数据特征，提高预测精度。
4.为实现以上目的，本发明通过以下技术方案予以实现：一种改进的变分模态分解与bigru融合的水质预测方法，包括以下步骤：
5.(1)收集水质历史数据，对原数据进行数据预处理，填补缺失值，剔除异常值，最后对数据进行归一化处理，构建水质数据；
6.(2)利用麻雀搜索算法对变分模态分解的参数进行寻优，使vmd分解算法达到最佳分解效果；
7.(3)改进后的变分模态分解对水质数据进行分解，分解为若干个模态分量，以降低数据复杂度；
8.(4)将每个模态分量输出到bigru预测模型中，并将每个模态预测结果进行叠加，得到最终预测结果。
9.所述的数据预处理具体包括：采用向前插值方式填充缺失值，采用孤立森林算法识别异常值，最后对数据归一化处理。
10.所述的麻雀搜索算法对变分模态分解的两个参数分解个数k和惩罚因子α进行寻优，具体步骤如下：
11.步骤1：参数初始化，根据时间序列大小，设置k和α合适范围；
12.步骤2：麻雀种群初始化，设置优化维数、迭代次数、预警值、种群大小等参数；
13.步骤3：选取模糊熵作为适应度函数，计算各模态分量模糊熵值，经过多次迭代，当模糊熵值最小时，此时麻雀种群位置为最优位置；
14.步骤4：确定k和α最优值。
15.所述的vmd将原数据f分解为k个中心频率为ωk的有限带宽的模态分量uk，具体步骤如下：
16.(1)构建变分问题：首先利用希尔伯特变换得到uk的解析信号，计算得到单边谱，再将每个模态解析信号与中心频率混合，调制到相应的基带。然后计算上述信号梯度l平方的范数，得到变分约束模型。
[0017][0018]
式中：uk(k＝1，2，
…
)为模态分量；ωk表示各个模态分量中心频率；表示时间的偏导数；
[0019]
(2)求解变分问题：首先引入拉格朗日乘法算子λ和惩罚因子α，将约束模型变为无约束的变分模型，然后采用交替方向乘子迭代算法，得到各模态分量和中心频率，uk和ωk表达式如下：
[0020][0021][0022]
式中：f(ω)、λn(t)分别为f(t)，λn(t)的傅里叶变换；n表示迭代次数。
[0023]
如图3所示，bigru模型由一个正向和一个反向gru构成，bigru预测模型算法表示为：
[0024][0025]
式中：z
t
表示重置门；r
t
表示更新门；wr，wz，ur，uz分别表示权重矩阵；h
t-1
表示上一级隐藏层状态；x
t
表示当前时刻输入向量；h
t
表示当前时刻候选的隐藏状态；h
t
表示当前时刻隐藏状态；“*”表示矩阵乘积；σ表示sigmoid函数。
[0026][0027]
所述的预测结果是将各个模态分量输入到建立bigru预测模型中，然后将每个模
态分量预测值叠加，得到最终的预测结果。
[0028]
本发明具有以下有益效果：
[0029]
(1)本发明针对水质数据非稳定性和非线性等特点，利用vmd分解降低水质复杂程度，vmd相比emd和eemd相比有效防止模态混叠和虚假分量的现象，采用麻雀搜索算法对vmd参数寻优，使vmd分解效果达到最佳。
[0030]
(2)相比于lstm网络，gru结构更加简单，参数更少，保留lstm预测效果，并且收敛效果好。而采用双向bigru能够从正反两个方向充分挖掘水质深层特征，输出水质数据完整的特征，使得预测精度更高。
附图说明
[0031]
图1为本发明vmd与bigru融合水质预测方法的流程图
[0032]
图2为本发明麻雀搜索算法优化vmd的流程图
[0033]
图3为本发明bigru网络结构图
[0034]
图4为本发明ssa优化vmd的迭代图
[0035]
图5为本发明vmd分解结果图
[0036]
图6为本发明vmd-bigru预测结果图
具体实施方式
[0037]
下面结合附图及实施例对本发明做进一步详细说明，本发明提出一种改进的变分模态分解与bigru融合的水质预测方法，如图1所示，具体步骤如下：
[0038]
(1)收集水质历史数据，对原数据进行数据预处理，填补缺失值，剔除异常值，最后对数据进行归一化处理，构建水质数据；
[0039]
(2)利用麻雀搜索算法对变分模态分解的参数进行寻优，使vmd分解算法达到最佳分解效果；
[0040]
(3)改进后的变分模态分解对水质数据进行分解，分解为若干个模态分量，以降低数据复杂度；
[0041]
(4)将每个模态分量输出到bigru预测模型中，并将每个模态预测结果进行叠加，得到最终预测结果；
[0042]
所述的数据预处理具体包括：采用向前插值方式填充缺失值，采用孤立森林算法识别异常值，最后对数据归一化处理。
[0043]
如图2所示，麻雀搜索算法对变分模态分解的两个参数分解个数k和惩罚因子α进行寻优，具体步骤如下：
[0044]
步骤1：参数初始化，根据时间序列大小，设置k和α合适范围；
[0045]
步骤2：麻雀种群初始化，设置优化维数、迭代次数、预警值、种群大小等参数；
[0046]
步骤3：选取模糊熵作为适应度函数，计算各模态分量模糊熵值，经过多次迭代，当模糊熵值最小时，此时麻雀种群位置为最优位置；
[0047]
步骤4：确定k和α最优值。
[0048]
所述的vmd将原数据f分解为k个中心频率为ωk的有限带宽的模态分量uk，具体步骤如下：
[0049]
(1)构建变分问题：首先利用希尔伯特变换得到uk的解析信号，计算得到单边谱，再将每个模态解析信号与中心频率混合，调制到相应的基带。然后计算上述信号梯度l平方的范数，得到变分约束模型。
[0050][0051]
式中：uk(k＝1，2，
…
)为模态分量；ωk表示各个模态分量中心频率；表示时间的偏导数；
[0052]
(2)求解变分问题：首先引入拉格朗日乘法算子λ和惩罚因子α，将约束模型变为无约束的变分模型，然后采用交替方向乘子迭代算法，得到各模态分量和中心频率，uk和ωk表达式如下：
[0053][0054][0055]
式中：f(ω)、λn(t)分别为f(t)，λn(t)的傅里叶变换；n表示迭代次数。
[0056]
如图3所示，bigru模型由一个正向和一个反向gru构成，bigru预测模型算法表示为：
[0057][0058]
式中：z
t
表示重置门；r
t
表示更新门；wr，wz，ur，uz分别表示权重矩阵；h
t-1
表示上一级隐藏层状态；x
t
表示当前时刻输入向量；h
t
表示当前时刻候选的隐藏状态；h
t
表示当前时刻隐藏状态；“*”表示矩阵乘积；σ表示sigmoid函数。
[0059][0060]
实例分析1
[0061]
步骤1：为了验证本发明的有效性，收集水质历史数据，选取浙闽片河流域小金山断面2021年7至2021年12月溶解氧数据为例，构建vmd-bigru预测模型。
[0062]
步骤2：数据预处理，首先采用向前插值方式填补缺失值，再采用孤立森林算法对异常值进行初步识别，去除异常数据后采用插值法修正，最后采用最大值最小值归一化方法。
[0063]
步骤3：利用麻雀搜索算法对vmd参数寻优在寻优过程中，当适应度值达最小或者
达到最大迭代次数时，输出的值为参数最优组合，如图4所示为麻雀算法迭代过程，迭代第6次时，适应度值达到最小，值为0.017782。
[0064]
步骤4：麻雀搜索算法优化vmd后，得到vmd的分解个数为9，惩罚因子为2425，利用vmd对处理后数据进行分解，如图5所示为溶解氧分解结果。
[0065]
步骤5：按照7：3比例将每个模态分量划分为测试集和训练集，分别输入到bigru预测模型中，bigru网络由一层bigru层、dropout层、全连接层组成，设置epochs值为100，batch_size值为20，学习率为0.001。
[0066]
步骤6：最后将每个模态预测结果相加得到最终预测结果，如图6所示为vmd与bigru融合预测结果。
[0067]
步骤7：选取均方根误差(rmse)、平均绝对百分(mape)、平均绝对误差(mae)、决定系数(r2)作为评价指标，来分析融合模型预测效果，如表1所示，相比较单一gru模型，融合模型溶解氧预测误差更小，预测精度更高。
[0068]
表1模型评估表
[0069]
模型rmsemape/％maer2gru0.14976.75720.09090.8876vmd-bigru0.07640.070710.05860.9748
[0070]
综上所述，本实施例提出一种改进的变分模态分解与bigru融合的水质预测方法，该方法在bigru预测模型的基础上融合vmd分解，有效解决水质非线性、非稳定性的问题，使预测精确度得到提升，预测误差减小，能够很好预测水质变化趋势，有利于管理人员掌握水质变化情况。
[0071]
以上所述仅为本发明较佳的实施方式，并不用于限制本发明。本领域普通技术人员应当理解，在不脱离本发明的精神和原则的情况下，可以对实施例进行修改、替换、变型，本发明的范围由所附权利要求及其等同物限。

技术特征：
1.一种改进的变分模态分解与bigru融合的水质预测方法，其特征在于，包括以下步骤：(1)收集水质历史数据，对原数据进行数据预处理，填补缺失值，剔除异常值，最后数据进行归一化处理，构建水质数据；(2)利用麻雀搜索算法对变分模态分解的参数进行寻优，使vmd分解算法达到最佳分解效果；(3)改进后的变分模态分解对水质数据进行分解，分解为若干个模态分量，以降低数据复杂度；(4)将每个模态分量输出到bigru预测模型中，并将每个模态预测结果进行叠加，得到最终预测结果。2.根据权利要求1所述的一种改进的变分模态分解与bigru融合的水质预测方法，其特征在于，数据预处理具体包括：采用向前插值方式填充缺失值，采用孤立森林算法识别异常值，最后对数据归一化处理。3.根据权利要求1所述的一种改进的变分模态分解与bigru融合的水质预测方法，其特征在于，利用麻雀搜索算法对变分模态分解的两个参数分解个数k和惩罚因子α进行寻优具体步骤如下：步骤1：参数初始化，根据时间序列大小，设置k和α合适范围；步骤2：麻雀种群初始化，设置优化维数、迭代次数、预警值、种群大小等参数；步骤3：选取模糊熵作为适应度函数，计算各模态分量模糊熵值，经过多次迭代，当模糊熵值最小时，此时麻雀种群位置为最优位置；步骤4：确定k和α最优值。4.根据权利要求1所述的一种改进的变分模态分解与bigru融合的水质预测方法，其特征在于，vmd将原数据f分解为k个中心频率为ω
k
的有限带宽的模态分量u
k
，具体步骤如下：(1)构建变分问题：首先利用希尔伯特变换得到u
k
的解析信号，计算得到单边谱，再将每个模态解析信号与中心频率混合，调制到相应的基带，然后计算上述信号梯度l平方的范数，得到变分约束模型；式中：u
k
(k＝1，2，
…
)为模态分量；ω
k
表示各个模态分量中心频率；表示时间的偏导数；(2)求解变分问题：首先引入拉格朗日乘法算子λ和惩罚因子α，将约束模型变为无约束的变分模型，然后采用交替方向乘子迭代算法，得到各模态分量和中心频率，u
k
和ω
k
表达式如下：
式中：f(ω)、λ
n
(t)分别为f(t)，λ
n
(t)的傅里叶变换；n表示迭代次数。5.根据权利要求1所述的一种改进的变分模态分解与bigru融合的水质预测方法，其特征在于，将每个模态分量输出到bigru预测模型中，bigru由一个正向和一个反向gru构成，bigru预测模型算法表示为：式中：z
t
表示重置门；r
t
表示更新门；w
r
，w
z
，u
r
，u
z
分别表示权重矩阵；h
t-1
表示上一级隐藏层状态；x
t
表示当前时刻输入向量；h
t
表示当前时刻候选的隐藏状态；h
t
表示当前时刻隐藏状态；“*”表示矩阵乘积；σ表示sigmoid函数。6.根据权利要求5所述的一种改进的变分模态分解与bigru融合的水质预测方法,其特征在于，各个模态分量输入到建立bigru预测模型中，最后将每个模态分量预测值叠加得到最终预测结果。

技术总结
本发明公开了一种改进的变分模态分解与BiGRU融合的水质预测方法，包括：收集水质历史数据，对原数据进行数据预处理，填补缺失值，剔除异常值，最后数据进行归一化处理，构建水质数据集；利用麻雀搜索算法对变分模态分解的参数进行寻优；改进后的变分模态分解算法对水质数据进行分解，分解为若干个模态分量，以降低数据复杂度；将每个模态分量输出到BiGRU预测模型中训练，并将每个模态预测结果进行叠加，得到最终预测结果。本发明对水质数据进行分解，能够很好解决水质数据波动性大、非线性的问题，提高预测准确性，为水质预测提供一种新的方法。的方法。的方法。


技术研发人员：焦建格 马倩倩 黄森军 赵丽琴 刘方林
受保护的技术使用者：中国计量大学
技术研发日：2022.11.09
技术公布日：2023/7/22