本发明涉及水质预测，尤其是涉及一种适用于长周期变化显著的出水水质预测方法及装置。
背景技术：
1、部分污水处理厂在日常运行过程中呈现明显的长周期特征，比如每周周期显著、每月周期显著，甚至于每个季度周期显著。
2、针对这些长周期显著的场景，寻找对于算力要求低、内存消耗小的循环神经网络已经难以满足需求，而适用于长时间序列的长短期记忆网络对于算力和内存的要求较高。
技术实现思路
1、有鉴于此，本发明的目的在于提供一种适用于长周期变化显著的出水水质预测方法及装置，使得模型在更小计算资源需求的情况下具有更高的算力，以及内存的高效利用，从而提高了模型的稳定性，使得出水水质预测更准确。
2、第一方面，本发明实施例提供了一种适用于长周期变化显著的出水水质预测方法，方法包括：获取污水处理厂的监测数据序列；监测数据序列中包括在预设时间间隔下获取的多个历史监测数据；对监测数据序列进行变化周期长度监测，确定每个历史监测数据在目标时间内的相关性情况；基于相关性情况和预先设置的筛选规则，确定时间窗口；基于时间窗口和预先设置的目标预测时间构建训练标签集；将训练标签集输入至预先构建的门控循环单元gru模型进行训练，得到出水水质预测模型；将污水处理厂的当前监测数据输入至出水水质预测模型中，输出出水水质参数。
3、在本发明较佳的实施例中，上述对监测数据序列进行变化周期长度监测，确定每个历史监测数据在目标时间内的相关性情况，包括：基于自相关系数算法确定目标时间t内历史监测数据的第一自相关系数；若第一自相关系数大于2/时历史监测数据的自相关系数，则相关性情况为历史监测数据存在显著自相关。
4、在本发明较佳的实施例中，上述基于相关性情况和预先设置的筛选规则，确定时间窗口，包括：若相关性情况为历史监测数据存在显著自相关，则从目标时间为预先设置的第一时刻开始进行相关性检验；若在目标时间为预先设置的第二时刻时历史监测数据存在相关性系数，则基于预先设置的检验规则对显著自相关的时间范围进行缩小，得到目标窗口时间；基于多个历史监测数据各自的目标窗口时间和预先设置的筛选方式确定时间窗口。
5、在本发明较佳的实施例中，上述基于预先设置的检验规则对显著自相关的时间范围进行缩小，得到目标窗口时间，包括：基于上一次目标时间t对应的历史监测数据的二分之一进行相关性检验得到检验结果，直至检验结果为历史监测数据不存在相关性系数；记录不存在相关性系数时的时间点，并基于时间点和上一个存在相关性系数的时间点的和的二分之一对应的历史监测数据继续进行相关性检验，直至得到最小的时间点使得历史监测数据存在相关性系数；将最小的时间点作为目标窗口时间。
6、在本发明较佳的实施例中，上述基于多个历史监测数据各自的目标窗口时间和预先设置的筛选方式确定时间窗口，包括：从多个历史监测数据中选择与预先设置的预测目标对应的多个目标历史监测数据；确定多个目标历史监测数据的目标窗口时间中的最小公倍数；将最小公倍数对应的目标历史监测数据作为一个时间窗口。
7、在本发明较佳的实施例中，预先设置的目标预测时间不超过当前时间的阈值时间之后；阈值时间为最小公倍数对应的目标窗口时间。
8、在本发明较佳的实施例中，gru模型包含三层，前两层为gru层；第一层gru层包含128个隐藏单元，用于返回所有时间步的输出序列；第二层gru层包含64个隐藏单元，不返回序列；前两层的激活函数均为线性整流函数relu，每层gru层在计算过程中随机丢弃20%的神经元，使用偏置权重；第三层为全连接层，使用偏置权重。
9、第二方面，本发明实施例还提供一种适用于长周期变化显著的出水水质预测装置，包括：监测数据序列获取模块，获取污水处理厂的监测数据序列；监测数据序列中包括在预设时间间隔下获取的多个历史监测数据；相关性情况确定模块，用于对监测数据序列进行变化周期长度监测，确定每个历史监测数据在目标时间内的相关性情况；时间窗口确定模块，用于基于相关性情况和预先设置的筛选规则，确定时间窗口；训练标签集构建模块，用于基于时间窗口和预先设置的目标预测时间构建训练标签集；出水水质预测模型获得模块，用于将训练标签集输入至预先构建的门控循环单元gru模型进行训练，得到出水水质预测模型；出水水质参数输出模块，用于将污水处理厂的当前监测数据输入至出水水质预测模型中，输出出水水质参数。
10、第三方面，本发明实施例还提供一种电子设备，包括处理器和存储器，存储器存储有能够被处理器执行的计算机可执行指令，处理器执行计算机可执行指令以实现上述第一方面的适用于长周期变化显著的出水水质预测方法。
11、第四方面，本发明实施例还提供一种计算机可读存储介质，计算机可读存储介质存储有计算机可执行指令，计算机可执行指令在被处理器调用和执行时，计算机可执行指令促使处理器实现上述第一方面的适用于长周期变化显著的出水水质预测方法。
12、本发明实施例带来了以下有益效果：
13、本发明实施例提供了一种适用于长周期变化显著的出水水质预测方法及装置，通过获取污水处理厂的监测数据序列，监测数据序列中包括在预设时间间隔下获取的多个历史监测数据，对监测数据序列进行变化周期长度监测，确定每个历史监测数据在目标时间内的相关性情况，于相关性情况和预先设置的筛选规则，确定时间窗口，基于时间窗口和预先设置的目标预测时间构建训练标签集，将训练标签集输入至预先构建的门控循环单元gru模型进行训练，得到出水水质预测模型，将污水处理厂的当前监测数据输入至出水水质预测模型中，输出出水水质参数。该方式中，使得模型在更小计算资源需求的情况下具有更高的算力，以及内存的高效利用，从而提高了模型的稳定性，使得出水水质预测更准确。
14、本公开的其他特征和优点将在随后的说明书中阐述，或者，部分特征和优点可以从说明书推知或毫无疑义地确定，或者通过实施本公开的上述技术即可得知。
15、为使本公开的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。
1.一种适用于长周期变化显著的出水水质预测方法，其特征在于，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，所述对所述监测数据序列进行变化周期长度监测，确定每个所述历史监测数据在目标时间内的相关性情况，包括：
3.根据权利要求2所述的方法，其特征在于，所述基于所述相关性情况和预先设置的筛选规则，确定时间窗口，包括：
4.根据权利要求3所述的方法，其特征在于，所述基于预先设置的检验规则对显著自相关的时间范围进行缩小，得到目标窗口时间，包括：
5.根据权利要求3所述的方法，其特征在于，所述基于多个所述历史监测数据各自的目标窗口时间和预先设置的筛选方式确定时间窗口，包括：
6.根据权利要求5所述的方法，其特征在于，所述预先设置的目标预测时间不超过当前时间的阈值时间之后；所述阈值时间为所述最小公倍数对应的目标窗口时间。
7.根据权利要求1所述的方法，其特征在于，所述gru模型包含三层，前两层为gru层；第一层gru层包含128个隐藏单元，用于返回所有时间步的输出序列；第二层gru层包含64个隐藏单元，不返回序列；前两层的激活函数均为线性整流函数relu，每层gru层在计算过程中随机丢弃20%的神经元，使用偏置权重；第三层为全连接层，使用偏置权重。
8.一种适用于长周期变化显著的出水水质预测装置，其特征在于，所述装置包括：
9.一种电子设备，其特征在于，包括处理器和存储器，所述存储器存储有能够被所述处理器执行的计算机可执行指令，所述处理器执行所述计算机可执行指令以实现权利要求1至7任一项所述的适用于长周期变化显著的出水水质预测方法。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机可执行指令，所述计算机可执行指令在被处理器调用和执行时，所述计算机可执行指令促使处理器实现权利要求1至7任一项所述的适用于长周期变化显著的出水水质预测方法。
