基于多模态数据融合的水质指标预测方法

本发明涉及一种水质指标预测方法，特别是涉及一种基于多模态数据融合的水质指标预测方法。

背景技术：

1、随着人类社会文明的进步和公众环境保护意识的增强，科学合理地利用水资源，全面系统地保护水环境，已成为世界各国可持续发展的必然选择。水质预测方法可以获得短期或长期的水质及未来的水质变化趋势，为水污染防治提供指导，为公众提供健康指导，为水环境治理提供技术支持。水质预测本质上是一个时间序列预测问题，是指根据历史时间点的水质指标值，预测未来一段时间内水质指标的变化。水质预测的研究方向可分为机理模型和数据驱动模型。机理模型需要预先预设大量的参数，训练过程复杂，需要大量的计算资源和时间成本。数据驱动模型可分为统计方法、机器学习方法和深度学习方法。

2、近年来，深度学习方法在时间序列预测领域取得了良好的效果。与需要复杂特征工程的机器学习相比，它能够自动学习时间序列数据中的模式和趋势，而神经网络涉及隐藏层数量和神经元数量等重要参数，因此深度学习模型具有非常好的表达复杂非线性模式的能力。transformer将输入序列的时间步视为位置信息，将每个时间步的特征表示为向量，并使用编码器-解码器框架进行预测。频率增强分解transformer引入了局部注意机制和可逆注意机制，使模型能够更好地捕捉时间序列数据中的局部特征，具有更高的计算效率。然而，水环境中水质指标的实际影响还包括气象、污染物等因素，仅考虑水质本身的历史数据是不全面的，因此为了做出更准确的水质预测，还需要考虑其他多模态数据，如气象数据，并融合来自不同模态的数据信息。

技术实现思路

1、针对以上现有技术的不足，本发明提供一种基于瓶颈注意模块(bottleneckattention module,bam)、低秩多模态融合(low-rank multimodal fusion,lmf)、注意力机制、卷积神经网络、倒置transformer(inverted transformer,itransformer)模型的水质指标预测方法。包括：基于bam和lmf的多模态数据融合方案；基于itransformer模型实现水质指标多步预测。本发明的目的通过以下技术方案来实现。

2、一种基于多模态数据融合的水质指标预测方法，该方法包括如下的步骤：

3、1)获取一条河流过去一段时间监测到的水质指标组成的时间序列数据和河流地区的降雨量卫星遥感图像数据；

4、2)从获取的遥感图像数据和水质指标历史数据中提取图像特征序列和水质特征序列；

5、3)在2)的基础上，基于bam和lmf，将图像特征和水质特征进行融合，获取多模态融合特征；

6、4)在3)的基础上，将多模态融合特征输入itransformer模型中，输出水质指标的多步的预测值，从而获得真正的未来的水质指标预测值。

技术特征：

1.一种基于多模态数据融合的水质指标预测方法，其特征在于，该方法包括如下的步骤：

2.根据权利要求1所述方法，其特征在于，所述基于历史的水质时间序列数据和历史降雨量遥感图像数据，训练所述水质预测模型，包括：

3.根据权利要求1所述方法，其特征在于，所述基于所述水质预测模型预测水质，包括：

4.根据权利要求2和3所述方法，其特征在于，所述基于bam、lmf、卷积神经网络、itransformer模型来构建水质预测模型，包括：

5.根据权利要求2所述方法，其特征在于，所述根据所述测试集的历史数据测试并优化所述水质预测模型，包括：

6.根据权利要求3所述方法，其特征在于，所述按预设的滑动窗口宽度划分子序列作为特征序列，包括：

7.根据权利要求4所述方法，其特征在于，所述基于水质预测模型预测水质之前，还包括：

8.根据权利要求4所述的方法，其特征在于，所述基于多模态数据融合的模型预测水质，包括：

技术总结本发明涉及一种基于多模态数据融合的水质指标预测的方法，特别是涉及一种基于瓶颈注意模块(Bottleneck Attention Module,BAM)、低秩多模态融合(Low‑rank Multimodal Fusion,LMF)、注意力机制、卷积神经网络、倒置Transformer(Inverted Transformer,ITransformer)模型的水质指标预测方法。首先，分别从获取的遥感图像数据和水质指标历史数据中提取图像和水质特征序列。然后，基于BAM和LMF将图像和水质特征进行融合，获取多模态融合特征。最后，将多模态融合特征输入ITransformer模型，预测未来长期的水质指标值，最终获取精准度较高的水质指标预测结果。技术研发人员：毕敬,张轩,王梓奇,李艺博,乔俊飞,吴仁人受保护的技术使用者：北京工业大学技术研发日：技术公布日：2024/11/14