CN109886477A - 水污染的预测方法、装置及电子设备 - Google Patents

Abstract

本申请实施例提供了一种水污染的预测方法、装置及电子设备。该方法包括：获取第一站点的待测数据以及第一站点对应的预定区域内至少一个第二站点的待测数据；利用第一卷积神经网络模型的注意力机制attention得到第一影响参数和第二影响参数；获取针对第一站点的水质数据的预测结果，预测结果为第一站点的水质数据在未来预定时间段内的变化趋势；利用预设第二卷积神经网络模型对第一影响参数、第二影响参数以及预测结果进行处理，得到调整后的预测结果。本申请实施例解决了现有技术中因未考虑被测点附近其他水流信息的影响，导致的预测结果准确度低的问题。

Description

水污染的预测方法、装置及电子设备

技术领域

本申请涉及数据处理技术领域，具体而言，本申请涉及一种水污染的预测方法、装置及电子设备。

背景技术

随着我国经济的不断发展，由一些不适当的人类活动方式的产物对水体造成的污染也日益增加。近年来，水污染事件在我国频繁发生，水资源保护已刻不容缓。因此，水污染预测是实现水环境管理规划和水污染防治的一项基本工作。

根据各种水污染预测方法机理的不同，大致可以分为统计预测法、智能预测法以及机理模型预测法。随着预测方法的不断深入研究，近年来，各个领域都越来越关注关于将人工智能预测方法用于大规模数据预测。

目前的水污染预测方法中，主要采用人工神经网络(ANN)和支持向量机(SVM)方法。然而这些方法都只能对待检测水流的水流进行水污染预测，并没有考虑其他水流对待检测水流水污染的影响。

发明内容

本申请提供了一种水污染的预测方法、装置及电子设备，可以解决上述技术问题。所述技术方案如下：

第一方面，本申请提供了一种水污染的预测方法，该方法包括：

获取第一站点的待测数据以及第一站点对应的预定区域内至少一个第二站点的待测数据，待测数据包括水质时序数据和水文时序信息；

将获取第一站点的待测数据输入至预设的第一卷积神经网络模型进行特征提取，并利用第一卷积神经网络模型的注意力机制attention进行处理，得到第一影响参数，其中，第一影响参数为对第一站点的水质时序数据以及第一站点的水文时序信息中任一水文数据对未来预定时间段内第一站点的水质数据的影响程度，并将各个第二站点的待测数据输入至第一卷积神经网络模型进行特征提取，并利用第一卷积神经网络模型的注意力机制attention结合预先确定的各个第二站点对第一站点影响程度进行处理，得到第二影响参数，其中，第二影响参数为各个第二站点的水质时序数据以及各个第二站点的水文时序信息中任一水文数据对未来预定时间段内第一站点的水质数据的影响程度；

获取针对第一站点的水质数据的预测结果，预测结果为第一站点的水质数据在未来预定时间段内的变化趋势；

利用预设第二卷积神经网络模型对第一影响参数、第二影响参数以及预测结果进行处理，得到调整后的预测结果。

进一步地，第一卷积神经网络模型采用的卷积方式为空洞卷积。

进一步地，利用预设第二卷积神经网络模型对第一影响参数、所述第二影响参数以及所述预测结果进行处理，得到调整后的预测结果，包括：

利用预设第二卷积神经网络模型的注意力机制attention对第一影响参数、第二影响参数以及预测结果进行耦合；

利用第二卷积神经网络模型的CNN模块对耦合的结果进行处理，得到调整后的预测结果，其中，第二卷积神经网络模型采用卷积方式为因果卷积。

进一步地，获取第一站点的待测数据以及第一站点对应的预定区域内至少一个第二站点的待测数据之后，方法还包括；

检测到当前时间点第一站点和/或任一第二站点的待测数据中任一数据是否不小于相应的标准参数；

若不小于相应的标准参数，生成预警信息并确定对应的站点。

进一步地，第一站点的历史待测数据由预先部署在第一站点的检测装置采集得到，各个第二站点的历史待测数据由预先部署在各个第二站点的检测装置采集得到，方法还包括：

重新计算各个第二站点对第一站点影响程度，并与预先确定的各个第二站点对第一站点影响程度进行比较，判断是否发生变化；

若各个第二站点对第一站点影响程度均发生变化，确定部署在第一站点的检测装置发生异常；

若各个第二站点对第一站点影响程度并非全部发生变化，确定发生变化的第二站点的检测装置发生异常。

进一步地，利用第一卷积神经网络模型计算各个第二站点对第一站点影响程度。

进一步地，水文信息包括以下至少一项：水温、水位、流速。

第二方面，本申请提供了一种水污染的预测装置，该装置包括：

数据获取模块，用于获取第一站点的待测数据以及第一站点对应的预定区域内至少一个第二站点的待测数据，待测数据包括水质时序数据和水文时序信息；

影响确定模块，用于将获取第一站点的待测数据输入至预设的第一卷积神经网络模型进行特征提取，并利用第一卷积神经网络模型的注意力机制attention进行处理，得到第一影响参数，其中，第一影响参数为对第一站点的水质时序数据以及第一站点的水文时序信息中任一水文数据对未来预定时间段内第一站点的水质数据的影响程度，并将各个第二站点的待测数据输入至第一卷积神经网络模型进行特征提取，并利用第一卷积神经网络模型的注意力机制attention结合预先确定的各个第二站点对第一站点影响程度进行处理，得到第二影响参数，其中，第二影响参数为各个第二站点的水质时序数据以及各个第二站点的水文时序信息中任一水文数据对未来预定时间段内第一站点的水质数据的影响程度；

预测值获取模块，用于获取针对第一站点的水质数据的预测结果，预测结果为第一站点的水质数据在未来预定时间段内的变化趋势；

预测处理模块，用于利用预设第二卷积神经网络模型对第一影响参数、第二影响参数以及预测结果进行处理，得到调整后的预测结果。

进一步地，第一卷积神经网络模型采用的卷积方式为空洞卷积。

进一步地，预测处理模块，用于利用预设第二卷积神经网络模型的注意力机制attention对第一影响参数、第二影响参数以及预测结果进行耦合；利用第二卷积神经网络模型的CNN模块对耦合的结果进行处理，得到调整后的预测结果，其中，第二卷积神经网络模型采用卷积方式为因果卷积。

进一步地，数据获取模块获取第一站点的待测数据以及第一站点对应的预定区域内至少一个第二站点的待测数据之后，还用于：检测到当前时间点第一站点和/或任一第二站点的待测数据中任一数据是否不小于相应的标准参数；若不小于相应的标准参数，生成预警信息并确定对应的站点。

进一步地，第一站点的待测数据由预先部署在第一站点的检测装置采集得到，各个第二站点的待测数据由预先部署在各个第二站点的检测装置采集得到，装置还包括：

重新计算模块，用于重新计算各个第二站点对第一站点影响程度，并与预先确定的各个第二站点对第一站点影响程度进行比较，判断是否发生变化；

第一处理模块，用于若各个第二站点对第一站点影响程度均发生变化，确定部署在第一站点的检测装置发生异常；

第二处理模块，用于若各个第二站点对第一站点影响程度并非全部发生变化，确定发生变化的第二站点的检测装置发生异常。

进一步地，利用第一卷积神经网络模型计算各个第二站点对第一站点影响程度。

进一步地，水文信息包括以下至少一项：水温、水位、流速。

进一步地，第一站点与任一第二站点的相关性通过皮尔逊相关系数和/或线性相关系数进行确定。

第三方面，本申请提供了一种电子设备，该电子设备包括：

一个或多个处理器；

存储器；

一个或多个应用程序，其中一个或多个应用程序被存储在存储器中并被配置为由一个或多个处理器执行，一个或多个程序配置用于：执行上述水污染的预测方法。

第四方面，本申请提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述水污染的预测方法。

本申请实施例提供的技术方案带来的有益效果是：利用第一卷积神经网络模型不仅实现对第一站点的待测数据的特征提取，也实现了对第二站点的待测数据的特征提取，并能够通过第一卷积神经网络模型的注意力机制attention从时间维度、空间维度完成影响力因素的抽取，得到第一影响参数和第二影响参数，不仅实现了确定被测站点的影响因素，还实现了确定被测站点周边其他站点以及相应影响因素的影响程度的目的，作为对水污染预测结果进行调整的参考数据，从而提高了水污染预测的精度，解决了现有技术中因无法考周边站点对被测站点的水污染预测的影响，导致的预测精度差的问题。

附图说明

为了更清楚地说明本申请实施例中的技术方案，下面将对本申请实施例描述中所需要使用的附图作简单地介绍。

图1为本申请实施例提供的一种水污染的预测方法的流程示意图；

图2为本申请实施例提供的一种水污染的预测方法中调整预测结果的流程示意图；

图3为本申请实施例提供的一种水污染的预测装置的结构示意图；

图4为本申请实施例提供的另一种水污染的预测装置的结构示意图；

图5为本申请实施例提供的一种电子设备的结构示意图。

具体实施方式

下面详细描述本申请的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本申请，而不能解释为对本申请的限制。

本技术领域技术人员可以理解，除非特意声明，这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是，本申请的说明书中使用的措辞“包括”是指存在所述特征、整数、步骤、操作、元件和/或组件，但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件、组件和/或它们的组。应该理解，当我们称元件被“连接”或“耦接”到另一元件时，它可以直接连接或耦接到其他元件，或者也可以存在中间元件。此外，这里使用的“连接”或“耦接”可以包括无线连接或无线耦接。这里使用的措辞“和/或”包括一个或更多个相关联的列出项的全部或任一单元和全部组合。

为使本申请的目的、技术方案和优点更加清楚，下面将结合附图对本申请实施方式作进一步地详细描述。

现有的水污染预测一般都只针对当前水域的数据进行预测，并无法考虑周边水域的影响。当前水域可能因其他水域的流入导入导致污染，因此预测结果并不准确。

本申请提供的水污染的预测方法、装置、电子设备和计算机可读存储介质，旨在解决现有技术的如上技术问题。

下面以具体地实施例对本申请的技术方案以及本申请的技术方案如何解决上述技术问题进行详细说明。下面这几个具体的实施例可以相互结合，对于相同或相似的概念或过程可能在某些实施例中不再赘述。下面将结合附图，对本申请的实施例进行描述。

实施例一

本申请实施例提供了一种水污染的预测方法，如图1所示，该方法包括：步骤S101至步骤S105。

步骤S101、获取第一站点的待测数据以及第一站点对应的预定区域内至少一个第二站点的待测数据，待测数据包括水质时序数据和水文时序信息。

本申请实施例中，水质时序数据用于表征当前水域的水体质量状况，实际应用时，可以为水质数据设置不同的数值，并根据为不同的数值区间设置不同的级别。例如，若水质PH对应的数值为10时，对应的级别为VI级，无法饮用。

本申请实施例中，水文信息用于表征当前水域的水位状态，如水温、水位、流量、降水等信息。

本申请实施例中，可以利用预先部署水质检测装置采集水质数据，水文检测装置采集水位信息。实际应用时，水质检测装置、水文检测装置既可以利用无线通信技术上传至电子设备(可以为服务器)；或者将水质检测装置、水文检测装置与数据采集终端连接，以便通过数据采集终端获取待测数据，具体地，数据采集终端可以为手机、Pad、笔记本等具备数据存储功能的电子设备。

实际应用时，待测数据还可以通过预设的水质信息数据库、水文信息数据库进行获取；或者利用爬虫技术爬取第三方平台(如水务局的数据库)的数据，以得到第一站点的水质数据和水文信息。

本申请实施例中，第二站点为第一站点附近的监测点。例如，可以设置第一站点附近10公里范围内的监测点均为第二站点。本申请实施例中，第一站点为被预测站点，第二站点为被预测站点附近的其他站点。

步骤S102、将获取到的第一站点的待测数据输入至预设的第一卷积神经网络模型进行特征提取，并利用第一卷积神经网络模型的注意力机制attention进行处理，得到第一影响参数，其中，第一影响参数为对第一站点的水质时序数据以及第一站点的水文时序信息中任一水文数据对未来预定时间段内第一站点的水质数据的影响程度，并将各个第二站点的待测数据输入至第一卷积神经网络模型进行特征提取，并利用第一卷积神经网络模型的注意力机制attention结合预先确定的各个第二站点对第一站点影响程度进行处理，得到第二影响参数，其中，第二影响参数为各个第二站点的水质时序数据以及各个第二站点的水文时序信息中任一水文数据对未来预定时间段内第一站点的水质数据的影响程度。

本申请实施例中，第一影响参数用于表征对第一站点的水质具有影响的因素，如可能是水温，水温越高，水质越差。

本申请实施例中，第二影响参数用于表征第二站点中对第一站点的水质有影响的因素，可能为水质，也可能为水文信息。例如，若第二站点为第一站点的上流区域，那么若第二站点水体被污染，那么将影响第一站点的水质数据。

本申请实施例中，第一卷积神经网络模型不仅能够实现对第一站点的待测数据、第二站点的待测数据的特征提取，而且采用attention机制实现了确定第一影响参数、第二影响参数的目的，以便能够综合考虑第一站点、第二站点中的影响因素以及影响程度。通过attention机制不仅可以反映不同站点的影响力，还可以具体到该站点的主要影响特征，如B站点(即第二站点)水温变化对第一站点水质数据影响大，而C站点的流速对第一站点的水质数据响力更大。例如，B站点水温对第一站点水质数据的影响占比为20％，而C站点的水流的流速对第一站点水质数据的影响占比为30％。

本申请实施例中，各个第二站点对第一站点影响程度可能与两个站点间的距离有关。例如，若两个站点的距离越近，则认为站点的影响程度越高，因此，第一站点和第二站点间的近距离与二者的相关性成反比，即距离越远，影响越小。实际应用时，因仅用距离将导致确定的各个第二站点对第一站点影响程度不准确问题。例如，若两个站点的地理位置十分相近，但被高山隔断，则其相关性就会很低。因此，实际应用时，可以同时考虑由环境因素。

本申请实施例通过第二站点的待测数据的获取起到辅助预测的目的，从而提高预测精度，避免因未考虑被测水域附近其他水域的影响，导致的预测精度差，甚至失败的问题。

本申请实施例中，预先确定的各个第二站点对第一站点影响程度既可以通过皮尔逊相关系数进行确定，又可以利用线性相关系数进行确定。

步骤S103、获取针对第一站点的水质数据的预测结果，预测结果为第一站点的水质数据在未来预定时间段内的变化趋势。

实际应用时，可以利用任意模型对第一站点的水质数据进行预测，具体地，可以应用数值模型、CNN模型、RNN模型等，本申请对此不进行限定。

步骤S104、利用预设第二卷积神经网络模型对第一影响参数、第二影响参数以及预测结果进行处理，得到调整后的预测结果。

本申请实施例，利用第一卷积神经网络模型不仅实现对第一站点的待测数据的特征提取，也实现了对第二站点的待测数据的特征提取，并能够通过第一卷积神经网络模型的注意力机制attention从时间维度、空间维度完成影响力因素的抽取，得到第一影响参数和第二影响参数，不仅实现了确定被测站点的影响因素，还实现了确定被测站点周边其他站点以及相应影响因素的影响程度的目的，作为对水污染预测结果进行调整的参考数据，从而提高了水污染预测的精度，解决了现有技术中因无法考周边站点对被测站点的水污染预测的影响，导致的预测精度差的问题。

在一个实现方式中，第一卷积神经网络模型采用的卷积方式为空洞卷积，以增加输入至第一卷积神经网络模型数据量。

本申请实施例，采用空洞卷积的第一卷积神经网络模型具有更大的感受野，可以提取到更早时间的历史信息，不仅起到了控制更长时间段的时序数据输入至第一卷积神经网络模型进行处理的作用，而且起到了增大第一卷积神经网络模型的数据处理量的作用。

本申请实施例中，采用空洞卷积方式第一卷积神经网络模型具有更大的感受野，不仅起到了控制更长时间段的时序数据输入至第一卷积神经网络模型进行处理的作用，增大了第一卷积神经网络模型的数据处理量；同时，利用第一卷积神经网络模型的CNN模块的结构特征，保证了整个预测过程可以在多个CPU上并行的运行，可以有效的控制时间成本，更好的反映出曲线的波动特征。

在另一个实现方式中，如图2所示，步骤S104中利用预设第二卷积神经网络模型对第一影响参数、第二影响参数以及预测结果进行处理，包括：步骤S1041(图中未示出)和步骤S1042(图中未示出)。

步骤S1041、利用预设第二卷积神经网络模型的注意力机制attention对第一影响参数、第二影响参数以及预测结果进行耦合；

步骤S1042、利用第二卷积神经网络模型的CNN模块对耦合的结果进行处理，得到调整后的预测结果，其中，第二卷积神经网络模型采用卷积方式为因果卷积。

本申请实施例中，第二卷积神经网络模型采用attention机制，将初步得到的预测结果、第一影响参数、第二影响参数进行concate(即合并)，以便输入至卷积神经网络模型的神经网络输入层，以完成特征提取，最终获取第二卷积神经网络模型的神经网络隐藏层的输出结果，该输出结果综合考虑了从时间维度、空间维度中抽象出的影响力因素，解决了现有技术中未考虑周围站点的影响的技术问题，从而提高后续水污染的预测精度的目的。

本申请实施例中，通过针对第一站点的水质数据的预测结果，起到了对第一站点的水质的初步的预测，而第二卷积神经网络模型的则综合考虑的第一影响参数和第二影响参数实现对初步预测的结果的修正作用，起到了综合考虑周边站点水域的影响因素的作用，提高了水污染预测的准确度。

在又一个实现方式中，步骤S101中获取第一站点的待测数据以及第一站点对应的预定区域内至少一个第二站点的待测数据之后，该方法还包括：

检测到当前时间点第一站点和/或任一第二站点的待测数据中任一数据是否不小于相应的标准参数；

若不小于相应的标准参数，生成预警信息并确定对应的站点。

本申请通过不同水质数据与相应的预定数值和/或不同水文数据与相应的及预定数值的比较，起到了初步预警的目的，以做好应急处理工作。

例如，水位高度对应的预定数值为50cm时，若获取到的水位高度为60cm，易发生危险，若为水位所处区域为堤坝，可能需要进行泄洪处理，通过预警信息通知维护人员，以便维护人员进行处理。

在又一个实现方式中，第一站点的历史待测数据由预先部署在第一站点的检测装置采集得到，各个第二站点的历史待测数据由预先部署在各个第二站点的检测装置采集得到，步骤S104中利用预设第二卷积神经网络模型对第一影响参数、第二影响参数以及预测结果进行处理之前，该方法还包括：步骤S1041(图中未示出)、步骤S1042(图中未示出)和步骤S1043(图中未示出)。

步骤S1041、重新计算各个第二站点对第一站点影响程度，并与预先确定的各个第二站点对第一站点影响程度进行比较，判断是否发生变化：

步骤S1042、若各个第二站点对第一站点影响程度均发生变化，确定部署在第一站点的检测装置发生异常；

步骤S1043、若各个第二站点对第一站点影响程度并非全部发生变化，确定发生变化的第二站点的检测装置发生异常。

实际应用时，第一站点与第二站点的相关性一般是不变的，假设第二站点分别为A站点、B站点和C站点，若第一站点与A站点、B站点和C站点的相关性均发生变化，可以确定第一站点发生异常；若第一站点与A站点和B站点的相关性均未变化，仅是与C站点的先关心发生变化，既可以仅考虑A站点和B站点对目标污染物进行预测，也可以在排除C站点的异常后，重新获取C站点的待测数据，以实现综合考虑所有第二站点实现对目标污染物的预测目的。

实施例二

本申请实施例提供了一种水污染的预测装置，如图3所示，该水污染的预测装置30可以包括：数据获取模块301、影响确定模块302、预测值获取模块303以及预测处理模块304，其中，

数据获取模块301，用于获取第一站点的待测数据以及第一站点对应的预定区域内至少一个第二站点的待测数据，待测数据包括水质时序数据和水文时序信息；

影响确定模块302，用于将获取第一站点的待测数据输入至预设的第一卷积神经网络模型进行特征提取，并利用第一卷积神经网络模型的注意力机制attention进行处理，得到第一影响参数，其中，所述第一影响参数为对第一站点的水质时序数据以及第一站点的水文时序信息中任一水文数据对未来预定时间段内第一站点的水质数据的影响程度，并将各个第二站点的待测数据输入至第一卷积神经网络模型进行特征提取，并利用第一卷积神经网络模型的注意力机制attention结合预先确定的各个第二站点对第一站点影响程度进行处理，得到第二影响参数，其中，第二影响参数为各个第二站点的水质时序数据以及各个第二站点的水文时序信息中任一水文数据对未来预定时间段内第一站点的水质数据的影响程度；

预测值获取模块303，用于获取针对第一站点的水质数据的预测结果，预测结果为第一站点的水质数据在未来预定时间段内的变化趋势；

预测处理模块304，用于利用预设第二卷积神经网络模型对第一影响参数、第二影响参数以及预测结果进行处理，得到调整后的预测结果。

本申请实施例中，利用第一卷积神经网络模型不仅实现对第一站点的待测数据的特征提取，也实现了对第二站点的待测数据的特征提取，并能够通过第一卷积神经网络模型的注意力机制attention从时间维度、空间维度完成影响力因素的抽取，得到第一影响参数和第二影响参数，不仅实现了确定被测站点的影响因素，还实现了确定被测站点周边其他站点以及相应影响因素的影响程度的目的，作为对水污染预测结果进行调整的参考数据，从而提高了水污染预测的精度，解决了现有技术中因无法考周边站点对被测站点的水污染预测的影响，导致的预测精度差的问题。

进一步地，信息提取模块302用于：将第一站点与任一第二站点的相关性、第一站点的水质数据和水文信息、以及任一第二站点的水质数据和水文信息输入至预设第一模型，得到第一站点的第一关键信息以及任一第二站点的第二关键信息。

进一步地，第一卷积神经网络模型采用的卷积方式为空洞卷积。

进一步地，预测处理模块304用于：利用预设第二卷积神经网络模型的注意力机制attention对第一影响参数、第二影响参数以及预测结果进行耦合；

利用第二卷积神经网络模型的CNN模块对耦合的结果进行处理，得到调整后的预测结果，其中，第二卷积神经网络模型采用卷积方式为因果卷积。

进一步地，数据获取模块301获取第一站点的待测数据以及第一站点对应的预定区域内至少一个第二站点的待测数据之后，还用于；检测到当前时间点所述第一站点和/或任一第二站点的待测数据中任一数据是否不小于相应的标准参数；若不小于相应的标准参数，生成预警信息并确定对应的站点。

进一步地，如图4所示，该装置30还包括：

重新计算模块305，用于重新计算各个第二站点对第一站点影响程度，并与预先确定的各个第二站点对第一站点影响程度进行比较，判断是否发生变化；

第一处理模块306，用于若各个第二站点对第一站点影响程度均发生变化，确定部署在第一站点的检测装置发生异常；

第二处理模块307，用于若各个第二站点对第一站点影响程度并非全部发生变化，确定发生变化的第二站点的检测装置发生异常。

进一步地，水文信息包括以下至少一项：水温、水位、流速。

进一步地，第一站点与任一第二站点的相关性通过皮尔逊相关系数和/或线性相关系数进行确定。

本实施例的水污染的预测装置可执行本申请实施例一提供的水污染的预测方法，其实现原理相类似，此处不再赘述。

实施例三

本申请实施例提供了一种电子设备，如图5所示，图5所示的电子设备400包括：处理器4001和存储器4003。其中，处理器4001和存储器4003相连，如通过总线4002相连。进一步地，电子设备400还可以包括收发器4004。需要说明的是，实际应用中收发器4004不限于一个，该电子设备400的结构并不构成对本申请实施例的限定。

处理器4001可以是CPU，通用处理器，DSP，ASIC，FPGA或者其他可编程逻辑器件、晶体管逻辑器件、硬件部件或者其任意组合。其可以实现或执行结合本申请公开内容所描述的各种示例性的逻辑方框，模块和电路。处理器4001也可以是实现计算功能的组合，例如包含一个或多个微处理器组合，DSP和微处理器的组合等。

总线4002可包括一通路，在上述组件之间传送信息。总线4002可以是PCI总线或EISA总线等。总线4002可以分为地址总线、数据总线、控制总线等。为便于表示，图5中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。

存储器4003可以是ROM或可存储静态信息和指令的其他类型的静态存储设备，RAM或者可存储信息和指令的其他类型的动态存储设备，也可以是EEPROM、CD-ROM或其他光盘存储、光碟存储(包括压缩光碟、激光碟、光碟、数字通用光碟、蓝光光碟等)、磁盘存储介质或者其他磁存储设备、或者能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质，但不限于此。

存储器4003用于存储执行本申请方案的应用程序代码，并由处理器4001来控制执行。处理器4001用于执行存储器4003中存储的应用程序代码，以实现图3或4所示实施例提供的水污染的预测装置的动作。

本申请实施例，利用第一卷积神经网络模型不仅实现对第一站点的待测数据的特征提取，也实现了对第二站点的待测数据的特征提取，并能够通过第一卷积神经网络模型的注意力机制attention从时间维度、空间维度完成影响力因素的抽取，得到第一影响参数和第二影响参数，不仅实现了确定被测站点的影响因素，还实现了确定被测站点周边其他站点以及相应影响因素的影响程度的目的，作为对水污染预测结果进行调整的参考数据，从而提高了水污染预测的精度，解决了现有技术中因无法考周边站点对被测站点的水污染预测的影响，导致的预测精度差的问题。

本申请实施例提供了一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，该程序被处理器执行时实现实施例一至实施例三任一实施例所示的方法。

本申请实施例提供了一种计算机可读存储介质，与现有技术相比，利用第一卷积神经网络模型不仅实现对第一站点的待测数据的特征提取，也实现了对第二站点的待测数据的特征提取，并能够通过第一卷积神经网络模型的注意力机制attention从时间维度、空间维度完成影响力因素的抽取，得到第一影响参数和第二影响参数，不仅实现了确定被测站点的影响因素，还实现了确定被测站点周边其他站点以及相应影响因素的影响程度的目的，作为对水污染预测结果进行调整的参考数据，从而提高了水污染预测的精度，解决了现有技术中因无法考周边站点对被测站点的水污染预测的影响，导致的预测精度差的问题。

本申请实施例提供了一种计算机可读存储介质适用于上述方法实施例。在此不再赘述。

应该理解的是，虽然附图的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，其可以以其他的顺序执行。而且，附图的流程图中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，其执行顺序也不必然是依次进行，而是可以与其他步骤或者其他步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。

以上仅是本申请的部分实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本申请原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本申请的保护范围。

Claims (10)

1.一种水污染的预测方法，其特征在于，包括：

获取第一站点的待测数据以及所述第一站点对应的预定区域内至少一个第二站点的待测数据，所述待测数据包括水质时序数据和水文时序信息；

将所述获取到的第一站点的待测数据输入至预设的第一卷积神经网络模型进行特征提取，并利用所述第一卷积神经网络模型的注意力机制attention进行处理，得到第一影响参数，其中，所述第一影响参数为对第一站点的水质时序数据以及第一站点的水文时序信息中任一水文数据对未来预定时间段内第一站点的水质数据的影响程度，并将各个第二站点的待测数据输入至所述第一卷积神经网络模型进行特征提取，并利用所述第一卷积神经网络模型的注意力机制attention结合预先确定的各个第二站点对第一站点影响程度进行处理，得到第二影响参数，其中，所述第二影响参数为各个第二站点的水质时序数据以及各个第二站点的水文时序信息中任一水文数据对未来预定时间段内第一站点的水质数据的影响程度；

获取针对第一站点的水质数据的预测结果，所述预测结果为所述第一站点的水质数据在未来预定时间段内的变化趋势；

利用预设第二卷积神经网络模型对所述第一影响参数、所述第二影响参数以及所述预测结果进行处理，得到调整后的预测结果。

2.根据权利要求1所述的方法，其特征在于，所述第一卷积神经网络模型采用的卷积方式为空洞卷积。

3.根据权利要求1所述的方法，其特征在于，所述利用预设第二卷积神经网络模型对所述第一影响参数、所述第二影响参数以及所述预测结果进行处理，得到调整后的预测结果，包括：

利用预设第二卷积神经网络模型的注意力机制attention对所述第一影响参数、所述第二影响参数以及所述预测结果进行耦合；

利用所述第二卷积神经网络模型的CNN模块对耦合的结果进行处理，得到调整后的预测结果，其中，所述第二卷积神经网络模型采用卷积方式为因果卷积。

4.根据权利要求1所述的方法，其特征在于，所述获取第一站点的待测数据以及所述第一站点对应的预定区域内至少一个第二站点的待测数据之后，所述方法还包括；

检测到当前时间点所述第一站点和/或任一第二站点的待测数据中任一数据是否不小于相应的标准参数；

若不小于相应的标准参数，生成预警信息并确定对应的站点。

5.根据权利要求1所述的方法，其特征在于，所述第一站点的历史待测数据由预先部署在第一站点的检测装置采集得到，各个第二站点的历史待测数据由预先部署在各个第二站点的检测装置采集得到，所述方法还包括：

重新计算各个第二站点对第一站点影响程度，并与预先确定的各个第二站点对第一站点影响程度进行比较，判断是否发生变化；

若各个第二站点对第一站点影响程度均发生变化，确定部署在第一站点的检测装置发生异常；

若各个第二站点对第一站点影响程度并非全部发生变化，确定发生变化的第二站点的检测装置发生异常。

6.根据权利要求5所述的方法，其特征在于，利用所述第一卷积神经网络模型计算各个第二站点对第一站点影响程度。

7.根据权利要求1至6中任一项所述的方法，其特征在于，所述水文信息包括以下至少一项：水温、水位、流速。

8.一种水污染的预测装置，其特征在于，包括：

数据获取模块，用于获取第一站点的待测数据以及所述第一站点对应的预定区域内至少一个第二站点的待测数据，所述待测数据包括水质时序数据和水文时序信息；

影响确定模块，用于将所述获取第一站点的待测数据输入至预设的第一卷积神经网络模型进行特征提取，并利用所述第一卷积神经网络模型的注意力机制attention进行处理，得到第一影响参数，其中，所述第一影响参数为对第一站点的水质时序数据以及第一站点的水文时序信息中任一水文数据对未来预定时间段内第一站点的水质数据的影响程度，并将各个第二站点的待测数据输入至所述第一卷积神经网络模型进行特征提取，并利用所述第一卷积神经网络模型的注意力机制attention结合预先确定的各个第二站点对第一站点影响程度进行处理，得到第二影响参数，其中，所述第二影响参数为各个第二站点的水质时序数据以及各个第二站点的水文时序信息中任一水文数据对未来预定时间段内第一站点的水质数据的影响程度；

预测值获取模块，用于获取针对第一站点的水质数据的预测结果，所述预测结果为所述第一站点的水质数据在未来预定时间段内的变化趋势；

预测处理模块，用于利用预设第二卷积神经网络模型对所述第一影响参数、所述第二影响参数以及所述预测结果进行处理，得到调整后的预测结果。

9.一种电子设备，其特征在于，其包括：

一个或多个处理器；

存储器；

一个或多个应用程序，其中所述一个或多个应用程序被存储在所述存储器中并被配置为由所述一个或多个处理器执行，所述一个或多个程序配置用于：执行根据权利要求1-7任一项所述的水污染的预测方法。

10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现权利要求1-7任一项所述的水污染的预测方法。