本发明涉及供水管网，更具体地说，本发明涉及基于时空图神经网络的供水管网水质预测方法及软件系统。
背景技术：
1、在供水管网日常运维管理中，节点水质信息的准确获取是确保管网供水安全的关键手段。随着城市化进程的加快和供水网络的日益复杂，传统的管网水质预测方法面临着诸多挑战。基于有限的监测点数据对整个供水管网进行精确的水质预测，尤其是在复杂的空间和时间条件下，变得愈发困难。
2、供水管网是一个复杂的网络系统，涵盖了从水源地到最终用户的各个环节。由于管网系统的复杂性，水质可能受到多种因素的影响，如管道老化、污染源侵入、水力条件的变化等。管网水力模型可以模拟水流、水压和水质等方面的动态行为，因此其在水质预测方向应用较为广泛。然而，水力模型通常涉及大量的管网拓扑结构、管道特性和操作条件等信息的输入，模型的构建和校准需要花费大量的时间和精力。此外，由于供水管网的复杂性，模型维护也相当困难，特别是在管网结构或管道粗糙系数发生变化时，需要重新进行模型的校准。传统深度学习模型仅仅是根据单个水质监测点的历史数据来进行单个节点未来水质的预测，忽视了系统中各个传感器之间的潜在关联和相互影响。针对上述问题，本发明提出一种解决方案。
技术实现思路
1、为了克服现有技术的上述缺陷，本发明的实施例提供基于时空图神经网络的供水管网水质预测方法及软件系统，通过基于时空图神经网络的供水管网水质预测方法及软件系统，以解决根据单个水质监测点的历史数据进行单个节点未来水质的预测，忽视系统中各个传感器之间的潜在关联和相互影响的问题。
2、为实现上述目的，本发明提供如下技术方案：
3、基于时空图神经网络的供水管网水质预测方法，包括如下步骤：获取数据库中供水管网中的水质传感器监测数据和外部环境因素数据并进行预处理，所述水质传感器监测数据包括水质传感器历史监测数据和水质传感器实时监测数据；基于预设的图卷积神经网络模型，加入时间卷积模块和空间卷积模块，搭建供水管网水质预测模型；将所述水质传感器实时监测数据输入至所述供水管网水质预测模型中，得到水质传感器的水质指标预测值；基于所述水质监测点的水质指标预测值和预设的水质阈值，对供水管网水质状态进行分级预警。
4、在一个优选的实施方式中，所述获取数据库中供水管网中的水质传感器监测数据并进行预处理，具体为：将供水管网中的水质传感器监测数据和外部环境因素数据去除高于标准差k倍的异常值，得到去除异常值后的水质传感器监测数据和外部环境因素数据；将去除异常值后的水质传感器监测数据和外部环境因素数据采用周期性填充的方法对缺失数据进行修补，得到预处理后的水质传感器监测数据和外部环境因素数据；将所述预处理后的水质传感器监测数据和外部环境因素数据转化为水质特征向量。
5、在一个优选的实施方式中，基于预设的图卷积神经网络模型，加入时间卷积模块和空间卷积模块，具体为：选取不同尺度大小的卷积核对每个水质传感器的水质特征向量进行多尺度特征提取，得到每个水质传感器的多尺度水质特征向量；将所述每个水质传感器的多尺度水质特征向量输入至预设的时间卷积层中进行时间特征提取，得到每个水质传感器的多尺度水质时间特征向量，所述时间卷积层包括1d时间卷积层、膨胀卷积层以及应用非线性激活函数；构建n个图卷积层，并将所述n个图卷积层进行堆叠；将所述每个水质传感器的多尺度水质时间特征向量输入至所述n个图卷积层中，得到每个水质传感器的水质图特征向量；定义供水管网中的不同水质传感器之间的关系，构建归一化水质邻接矩阵；通过矩阵乘法，将每个水质传感器的水质特征向量与归一化水质邻接矩阵进行聚合，得到聚合后的水质特征矩阵；将所述每个水质传感器的水质图特征向量与聚合后的水质特征矩阵进行特征融合，得到水质融合特征；将所述水质融合特征通过连接层进行特征映射，得到水质指标预测值。
6、在一个优选的实施方式中，所述定义供水管网中的不同水质传感器之间的关系，构建归一化水质邻接矩阵，具体为：对所有的供水管网水质监测节点构建水质嵌入矩阵并进行非线性变换，得到经过非线性变换之后的水质嵌入矩阵；基于经过非线性变换之后的水质嵌入矩阵，构建水质邻接矩阵；对所述水质邻接矩阵进行稀疏化处理，得到稀疏化水质邻接矩阵；对所述稀疏化水质邻接矩阵加上单位矩阵进行归一化处理，得到归一化水质邻接矩阵。
7、在一个优选的实施方式中，所述搭建供水管网水质预测模型，具体为：将预处理后的水质传感器监测数据和外部环境因素数据按照8:1:1比例划分为训练集、测试集和验证集，初始化训练参数并进行模型的训练；定义所述模型的训练过程中的目标函数，计算模型预测的误差得到训练好的供水管网水质预测模型；
8、在一个优选的实施方式中，基于所述水质监测点的水质指标预测值和预设的水质阈值，对供水管网水质状态进行分级预警，具体为：当所述水质监测点的水质指标预测值小于预设的最低水质阈值时，正常监控；当所述水质监测点的水质指标预测值大于预设的水质阈值且小于预设的最高水质阈值时，触发警报，采取检查水质问题、调整管网等措施；当所述水质监测点的水质指标预测值大于预设的最高水质阈值时，触发紧急响应，采取暂停供水、全面检查水源等措施。
9、本发明基于时空图神经网络的供水管网水质预测方法的技术效果和优点：
10、1.本发明通过利用供水管网中不同水质监测点之间的关联性，通过时空图神经网络进行管网水质预测。本方法结合时间卷积模块和空间卷积模块，分别在时间维度提取水质监测数据的多尺度特征并在图结构中进行不同监测点间的空间信息融合。通过嵌入生成和邻接矩阵稀疏化处理，优化了计算效率，并增强了模型对管网水质数据的预测能力。该方法为管网水质预测提供了新思路，通过对供水管网中各节点水质进行空间和时间上的综合分析，预测管网未来的水质变化情况，帮助优化供水调度策略，确保供水管网的水质安全，提高供水系统的整体管理水平。
1.基于时空图神经网络的供水管网水质预测方法，其特征在于，
2.根据权利要求1所述的基于时空图神经网络的供水管网水质预测方法，其特征在于，所述获取数据库中供水管网中的水质传感器监测数据和外部环境因素数据并进行预处理，具体为：
3.根据权利要求2所述的基于时空图神经网络的供水管网水质预测方法，其特征在于，所述基于预设的图卷积神经网络模型，加入时间卷积模块和空间卷积模块，具体为：
4.根据权利要求3所述的基于时空图神经网络的供水管网水质预测方法，其特征在于，所述定义供水管网中的不同水质传感器之间的关系，构建归一化水质邻接矩阵，具体为：
5.根据权利要求4所述的基于时空图神经网络的供水管网水质预测方法，其特征在于，所述搭建供水管网水质预测模型，具体为：
6.根据权利要求1所述的基于时空图神经网络的供水管网水质预测方法，其特征在于，基于所述水质监测点的水质指标预测值和预设的水质阈值，对供水管网水质状态进行分级预警，具体为：
7.根据权利要求4所述的基于时空图神经网络的供水管网水质预测方法，其特征在于，对所述水质邻接矩阵进行稀疏化处理，得到稀疏化水质邻接矩阵，具体为：
8.根据权利要求4所述的基于时空图神经网络的供水管网水质预测方法，其特征在于，对所述稀疏化水质邻接矩阵加上单位矩阵进行归一化处理，得到归一化水质邻接矩阵，具体为：
9.根据权利要求5所述的基于时空图神经网络的供水管网水质预测方法，其特征在于，定义所述模型的训练过程中的目标函数，具体为：
10.一种使用如权利要求1-9中任意一项所述的基于时空图神经网络的供水管网水质预测方法的软件系统，其特征在于，包括数据获取模块、模型构建模块、水质预测模块、水质预警模块：
