基于图注意力神经网络的水污染溯源方法

本发明涉及一种水质污染物的溯源方法，特别是涉及一种基于改进的注意力模块、改进的变分自编码器、异构图注意力神经网络模型的水质污染物溯源方法。

背景技术：

1、人们的生活和水环境息息相关，近年来，我国水环境质量持续好转，但水环境风险及管控形式依然严峻。随着大数据、人工智能、云计算和物联网等为代表的新一代信息技术高度发展，正在给传统的生态环境领域带来新的变革。新一代信息技术手段支持短时分析突出的水生态环境问题，使得水生态环境领域决策和治理迈向智能化。其中河流突发性水污染事件溯源，也被称为污染源识别定位问题，其基于监测的水质指标数据，追踪定位进入河道的污染物质的来源，寻找出污染泄露节点、泄露时间、泄露强度等污染源关键信息。对引起突发水污染事件发生的污染物进行溯源分析是有效获取水域污染情况的关键和前提条件，对及时治理水环境污染有着十分重大的意义。

2、现有的水污染溯源方法主要有数值模拟分析法、优化方法和概率统计法。数值模拟分析法通过及时反演控制方程，重建观测污染物的历史分布，解决了溯源问题。然而，该方法无法有效地处理不确定性、非线性等过程，这些方法不能很好地处理河流网上的有向图拓扑结构信息，且自适应能力和学习能力较差，存在对输入参数要求较高、溯源计算误差大等问题。优化方法则通过最小化污染物浓度观测值与预测值的差值，从而得到污染源参数的识别值。优化方法一般是将污染源识别问题转化为极值优化问题，目前常见的污染源识别优化算法有遗传算法(genetic algorithm)、模拟退火算法(simulated annealingalgorithm)、粒子群优化算法(particle swarm optimization algorithm)以及混合优化算法等。然而，优化方法在求解过程中往往容易陷入局部最优，无法及时找到全局最优解。概率统计法通过对事件的发生概率进行估计，不断改进基于似然函数的识别值来识别污染源的参数，主要方法有贝叶斯推理、最小相对熵等。然而概率统计法难以对非线性的水质指标变化进行精准捕捉，导致其溯源准确度较低。因此，目前缺乏有效的水环境污染事件溯源方法。

技术实现思路

1、针对以上数值模拟分析法、优化方法和概率统计法进行污染物溯源的不足，本发明提供一种基于改进的注意力模块、改进的变分自编码器以及异构图注意力神经网络模型的水污染物溯源方法。包括：基于改进的注意力模块和改进的变分自编码器判断水质异常分布；基于异构图注意力神经网络模型实现污染物和水质监测断面的污染溯源。本发明通过以下技术方案来实现。

2、一种基于图注意力神经网络的水污染事件污染物溯源方法，该方法包括如下步骤：

3、1)获取污染物排放环境水污染数据；

4、2)对同一特征的水质时间序列进行全局时序编码，并用改进的注意力模块提取多种特征之间的相关性；

5、3)在2)的基础上，将数据输入改进的变分自编码器进行重建时序分布，判断是否发生突发水污染事件；

6、4)在3)的基础上，对污染物和监测断面的空间和时序依赖构建异构时空图；

7、5)在4)的基础上，对异常的上游水质监测断面及周围的污染物进行溯源。

技术特征：

1.一种面向水污染事件的溯源分析方法，其特征在于，该方法包括如下步骤：

2.根据权利要求1所述的方法，其特征在于，所述基于水污染事件的水污染数据，训练所述突发水污染事件溯源模型，包括：

3.根据权利要求1所述的方法，其特征在于，所述基于突发水污染事件溯源模型对异常的上游水质监测断面及周围的污染物进行污染溯源，包括：

4.根据权利要求2和权利要求3所述的方法，其特征在于，所述基于改进的注意力模块、改进的变分自编码器、异构图注意力神经网络模型搭建突发水污染事件溯源模型，包括：

技术总结本发明涉及一种面向水污染事件的溯源分析方法，特别是涉及一种基于改进的注意力模块、改进的变分自编码器、异构图注意力神经网络模型结合的水质污染物溯源方法。该方法首先利用改进的注意力模块提取水污染特征之间的相关性，接着将数据输入改进的变分自编码器进行重建时序分布，判断是否为水污染事件。而后对污染源和水质监测断面的空间和时序依赖构建异构时空图，最后对异常的上游水质监测断面及周围的污染物进行溯源，确定污染源的位置。技术研发人员：毕敬,袁明兴,王梓奇,林永泽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：2025/1/6