当前位置:首页 >> 电力/水利 >>

基于支持向量机的水质预测应用实例


中国农村水利水电 ·2 1 5 年第 1 期 0
( ) 文章编号 : 2 2 0 0 0 5 0 7 8 4 2 0 1 5 0 1 8 5 1 0 - - -

8 5

基于支持向量机的水质预测应用实例
安   焕1, 赵文荣1, 张琴玲2 张秀菊1,
) ( 芜湖水文水资源局 , 安徽 芜湖 2 河海大

学水文与水资源学院 , 南京 2 4 0 0 9 8; 2. 1 0 0 0 1. 1

水质预测作为水环境污染控制的重要手段 , 能够预测水质的变化趋势, 从而有效地控制水质恶化情况。分    摘   要 : 析了支持向量机的回归理论和算法 ; 构建了支持向量机水质预测模型 。 应用实例以通州区新江海河站点 为 研 究 对 象 , 取 运用支持向量回归机的理论与方法 , 构造预测 模 型 , 并利用 L NH3 -N 浓度和 T P 浓度为时间序列样本 , i b s v m 软件包和 其预测结果能较好地反映水质情况 。 T L A B 软件进行水质预测 。 从整体预测效果来看 , MA 水环境 ; 水质预测 ; 支持向量机 ; 回归理论    关键词 : TV 2 1 3. 4    文献标识码 : A    中图分类号 :

A n A u a l i t P r e d i c t i o n B a s e d o n S u o r t V e c t o r M a c h i n e s l i c a t i o n E x a m l e o f W a t e r                     p Q y p p p p  
1 1 1 2 , , u A N H Z H Z H Z H r o l i A N G X i u u a n A O  W e n n A N G i n n   - - -     j g, Q g

; , , ( 2 1 0 0 9 8, C h i n a N a n i n a n d W a t e r R e s o u r c e s H o h a i U n i v e r s i t C o l l e e o f H d r o l o 1.           j g y g y g y     , , ) a n d W a t e r R e s o u r c e s B u r e a u Wu h u 2 4 1 0 0 0, A n h u i P r o v i n c e C h i n a 2. Wu h u H d r o l o             y g y   : ,w A b s t r a c t A s a n i m o r t a n t m e a n s o f w a t e r e n v i r o n m e n t a l o l l u t i o n c o n t r o l a t e r u a l i t r e d i c t i o n c a n r e d i c t t h e c h a n e t r e n d o f                               p p q y p p g   a n d a l o r i t h m o f S u o r t V e c t o r s o a s t o c o n t r o l w a t e r d e t e r i o r a t i o n e f f e c t i v e l . T h i s a e r a n a l s e s r e r e s s i o n t h e o r w a t e r u a l i t                               g p p y p p y g y q y     , M a c h i n e a n d e s t a b l i s h e s S u o r t V e c t o r M a c h i n e m o d e l f o r w a t e r u a l i t r e d i c t i o n .W e t a k e X i n i a n h a i R i v e r o f T o n z h o u D i s                             - p p q y p j g g   , , i c t a s a r e s e a r c h e x a m l e a n d t h e c o n c e n t r a t i o n o f NH3 -N d T P a s t i m e s e r i e s s a m l e s a n d e s t a b l i s h e s a m o d e l t o r e d i c t w a t r a n                                         - p p p t e a d v a n t a e o f L i b s v m s o f t w a r e a n d MA T L A B a n d m e t h o d o f S u o r t V e c t o r R e r e s s i o n a n d t a k i n t h e t h e o r u s i n b r u a l i t                             g p p g g y g y q y           , s o f t w a r e . F r o m t h e e r s e c t i v e o f o v e r a l l r e d i c t i o n r e s u l t s i t s h o w s t h a t r e d i c t i o n r e s u l t s o f S u o r t V e c t o r M a c h i n e m o d e l c a n                                 p p p p p p s i t u a t i o n w e l l . r e f l e c t w a t e r u a l i t       q y   :w ; ; ; K e w o r d s a t e r e n v i r o n m e n t w a t e r u a l i t r e d i c t i o n s u o r t v e c t o r m a c h i n e r e r e s s i o n t h e o r           q y p p p g y y     水环境治理 迫 在 眉 睫 。 水 质 预 测 是 水 环    我国水污染严重 , 境治理的主要研究 内 容 之 一 , 建 立 数 学 模 型, 系统准确地进行 水质预测 , 是进行 水 污 染 控 制 的 有 效 手 段 。 污 染 物 进 入 水 体 后, 在随水流迁移 过 程 中 受 到 水 文 、 物 理、 化 学、 生物等因素的
1] 。根据已经掌握 影响 , 引起污染物的输移、 混合、 分 解 和 衰 减[ 2] , 析水环境污染原因和危害性 [ 减小各方面的损失。因而水质

预测模型对水质预测 分 析 和 水 环 境 污 染 防 治 管 理 具 有 十 分 重 要的意义 。

1  水质预测模型研究现状
国内外学者上 个 世 纪 开 始 用 水 质 模 型 来 研 究 水 质 。 早 在 美国科学家 S 9 2 5年, t r e e t e r和 P h e l s研究俄亥俄河污染问题 1 p 时建立了一维河 流 水 质 模 型 ; 其 后, 前苏联 B e l等 根 据 简 化 的 和统计的模型来讨论各种水动力弥散 理 论 、 边界与初始条件的 形式 , 以及弥散系数与水流速度和渗透 介 质 几 何 形 状 关 系 的 理
[] 3] ; 提出了考虑 论[ F r i e d4 研究了经典模型与水动力 弥 散 方 程 ,

的资料和监测数据 , 研 究 水 质 预 测 影 响 因 子 之 间 的 关 系、 建立 水质预测模型 。 通过可靠的水质预测 模 型 , 可以根据监测数据 等条件计算出水体中 的 污 染 物 浓 度 及 其 随 时 间 发 展 的 变 化 情 况, 从而用来预测和控制水质 , 掌握水 质 现 状 及 其 发 展 趋 势 , 分
收稿日期 : 0 4 2 9 1 4 2 0 - - ; 基金项目 : 中央高校基本科研业务费专 项 资 助 项 目 ( 1 1 B 0 1 8 1 4) 2 0 ) 。 江苏省水利科技资助项目 ( 2 0 1 0 0 1 5 , 作者简介 : 女, 博 士, 副 教 授, 张秀菊 ( 研究方向为水资源规 7 1-) 1 9 : 划与管理 。E-m i l x z h 0 3@s i n a . c o m。 a j

固体物质与孔隙分界 面 上 浓 度 与 浓 度 梯 度 跳 跃 变 动 的 新 水 动 美国麻省理工学院提出了多目标规划理 力弥 散 模 型 ; 9 7 9年, 1 论和水质数学模型 。 随着人工智能算 法 的 兴 起 , 人工神经网络 在水质预测方面也发展迅速 。

8 6

基于支持向量机的水质预测应用实例    张秀菊   安   焕   赵文荣   等 · 间中的向量内积φ( 就可以实现φ 非线性变换后的线 x x) i) φ( 性拟合 , 得到最优回归函数为 :

国内对水质 模 型 的 研 究 起 步 相 对 较 晚 。2 0世纪8 0年代 初, 杨天行 、 王秉忱等人 在 《 湘 江 重 金 属 水 环 境 容 量 研 究》 中建 了“ 湘江重金属随水 - 悬浮物 - 底泥态 建 立 的 迁 移 转 化 联 合 模 。 随后一些学者 尝 试 用 指 数 平 滑 法 进 行 水 质 预 测 , 型” 预测结 果接近于实际 , 适用于中短期的预 测 。 灰 色 系 统 分 析 法 对 于 信 息不完整 ( 或不完全 ) 情 况, 具 有 良 好 的 适 用 性, 其中邓聚龙教 授创建的灰色系统理论预测模 型 GM( 模型及其改进型在 1, 1)
5] 。 水质预测中得到较为广泛的运用 [

x)= f(

i V ∈S

α -α ∑(


* i

) k( x x) +b i,

( ) 1

* 式中 : b 为回归阈值 ; S V 为支持向量 。 α α i、 i 为拉格朗日乘子 ;

模型建 立 过 程 中 还 需 要 选 择 核 函 数 、 损失函数和确定 S VM 参数 。 核函数的选择是支持 向 量 机 理 论 研 究 的 一 个 核 心 问题 。 目前常用的几 种 核 函 数 的 选 择 主 要 还 是 根 据 经 验 来 选 取, 没有一个针对特定问题选择最 佳 核 函 数 的 有 效 办 法 。 只 有 在选择了核函数后 , 才 能 对 惩 罚 参 数 C 进 行 调 整, 所以核函数 的选择对支持向量机的性能在不同的 应 用 领 域 有 不 同 的 影 响 。 , 在实际应用 中 , 径向基( 核函数是 R a d i a l B a s i s F u n c t i o n R B F)     目前在支持向量机 中 被 应 用 得 最 广 泛 的 一 种 核 函 数 。 对 于 初 学者来说 , R B F 核无疑是优先考虑的核函数之一 。 故 本 研 究 选
-γ x-y | | , 择了 R 选择 R x, =e B F 核 函 数 建 模; B F 核 函 数 K( y) 2

总的 来 说 , 当 前 的 水 质 预 测 方 法 大 致 可 以 分 为 5 类: 数理 统计预测方法 、 灰色系统理论预测法 、 神经网络模型预测法、 水
6] 。根据监测数据与水质 质模拟模型预测法 、 混沌理论预 测 法 [

参数之间的映射关系 , 可分为两类 : 一是建立显式关系, 其本质 上是通过建立线性 模 型 来 进 行 预 测 , 实 现 起 来 较 容 易, 但模型 可靠性较差 。 二是 建 立 隐 式 关 系 , 如 人 工 神 经 网 络 方 法; 这些 方法也存在一些问 题 , 比 如 如 何 确 定 网 络 结 构 的 问 题、 过拟合
7] 。因 此, 与欠拟合问题 、 局 部 极 小 点 问 题 等[ 有限样本情况下

^ , ) ) 损失函数选取ε 不敏感损失函 数c( x, x) = x) c( y, f( y-f(
不敏感参数ε 和 R S B VM 参数包括惩罚参数 C、 F 核参数 γ。 基于支持向量机的回归模型建立过程见图 1。

的学习机器理 论 研 究 逐 渐 成 熟 起 来 , 形成了较完善的理论体 — — 统计学 习 理 论 。 支 持 向 量 机 ( , 系— o r t V e c t o r M a c h i n e S u     p p 是基于统计学习理论发展起来的一种新类型的机器学 习 S VM) 方法 , 是结构风险最 小 化 准 则 的 具 体 实 现 , 已成为当今的研究 热点之一 。

2  支持向量机理论
2. 1  支持向量机发展现状
[] 支持向量机 是 由 A T&T 贝 尔 实 验 室 的 V a n i k8 及 其 研 p

究小组于 1 9 9 5 年根据统计学理论提 出 来 的 一 类 新 型 的 机 器 学 习方法 。 它采用核函数思想 , 把非线 性 空 间 的 问 题 转 换 到 线 性 空间 , 降低了算法的复杂度 , 具有较强 的 学 习 泛 化 能 力 , 该方法 是求解一个二次型 寻 优 的 问 题 , 采 用 结 构 风 险 最 小 化 原 则, 从 理论上得到的是全局最优解 , 能够在对 小 样 本 学 习 的 基 础 上 对 其他样本进行快速 、 准 确 的 拟 合 预 测。由 于 S VM 有 较 完 备 的 理论基础和较好的学习性能 , 在解决 有 限 样 本 、 非线性、 过学习 及高维模式识别问题中表现出许多特 有 的 优 势 , 成为当前的研 究热点问题之一 , 并在很多领域都得到了成功应用 。 总之 , 无论在理论基础上还是在应 用 前 景 上 , S VM 都 具 有 很大的优越 性 。 水 质 预 测 问 题 的 实 质 是 水 质 参 数 回 归 的 问
9] , 题[ 因此新兴 的 机 器 学 习 支 持 向 量 机 能 够 解 决 水 质 预 测 问

图 1  基于支持向量机的回归模型建立过程 F i . 1 E s t a b l i s h m e n t o f r e r e s s i o n m o d e l b a s e d           g g o n S u o r t V e c t o r M a c h i n e       p p

2. 3  支持向量机算法步骤
( ) 数据归一化 。 为了消除输入 变 量 之 间 由 于 量 纲 和 数 值 1 大小的差异而造成 的 影 响 , 避 免 模 型 计 算 时 出 现 病 态, 将模拟 ] 数据标准化到 [ 区 间, 然后将标准化后的数据作为模型的 0, 1 输入值 。 其标准化公式为 :
′ / ( x x x x x i i n m a x n i = ( i-m i) i-m i)

题 。 本文基于这一 出 发 点 , 利用支持向量回归机的理论与方 法, 并利用 L 详 i b s v m 软件包和 MA T L A B 软 件 进 行 水 质 预 测, 细研究了支持向量机的理论与方法 , 探讨将支持向量机算法应 用于水环境的水质 预 测 的 可 行 性 , 并 运 用 于 实 际 问 题 的 研 究, 为水资源规划和可持续开发利用提供了决策依据和技术支持 。

( ) 2

2. 2  支持向量机回归理论
给定一组水质训练样本 用S VM 预测水质的基 本 思 想 是 : ( …, , 集的训练集 ( 其中x 通过 x i=1, 2, n) i, i) i ∈R , i ∈R, y y


式中 : x 为第i 项评价因子x i 的规范化处理值 。
′ i

( ) 输入输出变量设置 。 通过编号 m 时的前k 个编号的 历 2
1 1] : 史数据来预测编号 m 时的 NH3 -N 值 , 即估计动态系统 [

一个非线性映射 φ 将样本数据 从 样 本 空 间 映 射 到 高 维 特 征 空 间进行线性回归 , 从而求解出一个包含 多 种 因 素 影 响 的 水 质 最 优回归函数
[ 0] 1

…, x x x 1, 2, m = f( m- m- m- k) y

( ) 3

这样整 式中 : k 为 滞 后 编 号 数, m 为编号 m 时的 污 染 物 浓 度 值 ; y 个系统的输入就是某编号 m 时的前k 个编号至前 1 个编号的污 ) 。 染物浓度值 , 而输出则是编号 m 时的污染物浓度值 ( 表1



在最优回归函数中采用适当的核函数 k( 代替高维 空 x x) i,

基于支持向量机的水质预测应用实例    张秀菊   安   焕   赵文荣   等
表 1  基于时间序列的支持向量机水质预测模型 T a b . 1 S u o r t V e c t o r M a c h i n e w a t e r u a l i t r e d i c t i o n           p p q y p   m o d e l b a s e d o n t i m e s e r i e s m e t h o d           样本 第 1 个样本 第 2 个样本 ? 第 n- k 个样本 输入变量 …, x x x 1, 2, k …, x x x 2, 3, k+1 ? …, x x x n- k, n- k+1, n-1 输出变量

8 7

3. 2  实例计算
) 首先按照式 ( 将表 1 当中的数据进行归一化处理 。 2 取 k=7, 则可确定训练样本为 2 4-7=1 7个, m 为编号m y 这样整个系统的输入就是 时的 NH3 -N 值 , k 为 滞 后 编 号 数, 某编号 m 时的前k 个 编 号 至 前 1 个 编 号 的 NH3 -N 值 , 而输 出则是编号 m 时的 NH3 -N 值 。 利用 5折交叉验证法计算参数 C 和γ, 由2 0 0 9年和 2 0 1 0年的 。 得到各 C 和γ 的最优组合见表 3 2 4组数据作为训练样本 ,
表 3  不同水质指标对应的 C、 S E γ 以及均方误差 M ( T a C、 n M S b . 3 T h e c o r r e s o n d i n d m e a n s u a r e e r r o r E) γa           p g q   o f d i f f e r e n t w a t e r u a l i t i n d i c a t o r s       q y   指标 NH3-N   T P  

x y k+1= k+1 x y k+2= k+2
?

x y n= n

) 惩 罚 参 数 C 和 核 函 数 参 数γ 的 确 定 。 核 函 数 确 定 为 3    ( R x, =e F 核函数 K( B y)
2 -γ x-y | |

, 确定了参数γ 就可以确定核

函数 。 在l 通过 调 整 C 值 i b s v m 软件包中 γ 就是g。 固定 γ 值 , 来选择最佳拟合结果 , 此时的 C 值作为最优值 。 用交叉验证比较方法来选择参数 C 和g。

ε
0 1 0.   0. 0 1  


2   0. 3 5  

γ
0. 5   1 6  

MS E
0. 0 2 0 4   0. 0 0 7 9  

k 折交叉验证法是机器学习中推广能力估计的一种重要方
法, 且具有无偏估 计 性 。 其 基 本 思 想 如 下 : 将原始训练样本划 分成 k 个互不 相 交 的 、 具有类似长度和类分布的子集S S 1, 2, …, 训练和测试分别进行 k 次 。 在 第i 次 测 试 中 , S S k, i 用作测 试集 , 其余子集 都 作 为 训 练 集 , S S i 子 集 的 泛 化 误 差e i= ( i-

C 为惩罚参数 、 B F 核参数 。 ε 为不敏感参数 、 γ 为R  注:

3. 3  数据拟合
确 取 k=7, 本文 S VM 预测模型利 用 L i b s v m 库文件构建, 定训练样本为 1 7 个 。 利 用 MA T L A B软件计算得各个支持向 相 应 的 偏 置b 分 量的权向量 w 值及其对应的样 本 序 号 见 表 4, 别为 0. 5, 0. 2 9 5。 支持向量机预测的 8~2 4 时段的 2 个 指 标 的 实测值与回归预测值的拟合 结 果 见 图 2, 具体数值以及相对误 差见表 5。
表 4  各个支持向量所对应的 w 值 T v a l u e o f w t o e a c h s u o r t v e c t o r b . 4 T h e c o r r e s o n d i n a                 p p p g   支持 向量 1   2   3   4   5   6   7   8   时段 序号 8 9   1 0 1 1   1 2   1 3 1 4   1 5   1 6 权向量 w NH   3-N T P 支持 向量 1 0   时段 序号 1 7 1 8 1 9   2 0 2 1   2 2   2 3   2 4   权向量 w NH3-N  T P

^ , 其中^ S S i) i 为子集 S i 的预测集 。 最后得到的 k 折交叉验证 误
差为k 次 泛 化 误 差 的 平 均 值 。5 折 和 1 0折交叉验证法是常用 的方法 。

3  支持向量机在水质预测中的应用实例
3. 1  研究对象
论文以新江海 河 为 例 进 行 研 究 。 新 江 海 河 位 于 江 苏 省 南 通市通州区内 , 属一级河道 , 河水直接 流 入 长 江 , 其水质好坏直 接影响长江水 体 , 因此对其进行水质预测具有十分重要的意 义 。 取新江海河姜灶大桥监测断面 的 监 测 数 据 系 列 为 样 本 集 , 系列为 2 T 0 9 年以及 2 1 0年共2 4 组 数 据 。 选 用 NH3 -N、 P 0 0 两个监测指标的测量值作为网络的识 别 数 据 , 通过建立支持向 量机回归模型 , 预测下几个时段的 NH3 -N 和 T P 的浓度值 。 新江海河 2 0 0 9 年和 2 0 1 0 年的水质浓度如表 2 所示 。
表 2  姜灶大桥监测断面水质监测结果 T r e s u l t s o f t h e b . 2 W a t e r u a l i t m o n i t o r i n a         g q y     m o n i t o r i n s e c t i o n o f J i a n z a o B r i d e       g g g   序号 1   2   3   4   5   6   7   8   9   1 0   1 1   1 2   时间 2 0 0 9 - 0 1   - 0 2   2 0 0 9 - 0 3   2 0 0 9 - 0 4   2 0 0 9 - 0 5   2 0 0 9 2 0 0 9 - 0 6   - 0 7   2 0 0 9 - 0 8   2 0 0 9 - 0 9   2 0 0 9 - 1 0   2 0 0 9 - 1 1   2 0 0 9 2 0 0 9 - 1 2   NH3-N  T P 0. 7 3   1. 5 9   3. 3 7   1. 7 8   6 0   1. 8 0   1. 0. 8 0   0. 6 5   0. 5 5   1. 0 3   7 7   1. 4 1   1. 0. 2 5   0. 3 5   0. 6 6   0. 5 6   0. 9 9   0. 2 0   0. 2 2   0. 6 5   0. 1 8   0. 3 1   0. 3 1   0. 1 2   序号 1 3   1 4   1 5   1 6   1 7   1 8   1 9   2 0   2 1   2 2   2 3   2 4   时间 - 0 1   2 0 1 0 - 0 2   2 0 1 0 - 0 3   2 0 1 0 - 0 4   2 0 1 0 2 0 1 0 - 0 5   2 0 1 0 - 0 6   - 0 7   2 0 1 0 - 0 8   2 0 1 0 - 0 9   2 0 1 0 - 1 0   2 0 1 0 2 0 1 0 - 1 1   2 0 1 0 - 1 2   NH3-N  T P 0. 7 7   1. 7 4   1. 1 0   0. 8 1   0 5   1. 8 7   0. 2. 1 9   0. 8 0   1. 6 1   1. 6 2   6 4   0. 6 9   1. 0. 8 3 0. 3 0 0. 5 0 0. 5 4 0. 3 8 0. 2 2 0. 2 7 0. 5 0 0. 1 6 0. 2 1 0. 2 3 0. 1 7 / m L g

-0. 5 1 6   8   0. 3 5 3   5  

-2. 0 0 0   0   0. 0 6 6   1 -2. 0 0 0   0 -0. 1 5 3   5 2. 0 0 0   0 -0. 0 7 1   9 -1. 8 2 7   7   0. 2 3 8   8 1. 6 0 1   7 -0. 2 3 1   4 1. 3 5 7   3 -0. 1 5 8   6 0. 3 5 9   5 -0. 1 2 8   8 0. 9 4 6   8 -0. 2 1 4   3

0. 2 3 5   6 -0. 2 1 1   5   1 1   -0. 4 5 0   2 -0. 0 1 9   8   1 2   0. 7 5 1   5 -0. 0 1 9   2   1 3   0 0 0   0 -0. 2 8 9   3   1 4   2. -2. 0 0 0   0   0. 3 5 3   5   1 5  

1. 0 6 0   5 -0. 0 2 8   2   1 6   0. 4 8 1   8   0. 2 2 5   0   -2. 0 0 0   0   0. 2 8 9   3 1 7  

9  

保留两位有效数字 。  注:

8 8

基于支持向量机的水质预测应用实例    张秀菊   安   焕   赵文荣   等 种污染物的浓度值都有明显的波动 , NH3 -N 的浓度值为 0. 7 7 / 相比前后几个月 的 浓 度 值 明 显 偏 小 , 而T m L, P当月的浓度 g / 值为 0. 比前后几个月的浓度值高出许多 。 由于 NH3 8 3m L, g 这种波 P 浓度的异常波动导 致 了 其 预 测 结 果 的 偏 差 , -N 和 T 动产生的可能原因有以下几种 。 ( ) 水 文 特 性 的 影 响。降 雨 的 增 加 会 导 致 河 流 水 量 的 增 1 多, 稀释污染物 , 导致 污 染 物 浓 度 降 低; 蒸 发 量 的 增 加, 会导致 污染物浓度的增加 。 通 州 区 降 雨 量 具 有 冬 季 少 雨 夏 季 多 雨 周 期变化规律 , 蒸发量特点为夏季大 于 冬 季 。 据 有 关 统 计 分 析 资 料, 2 0 1 0 年 1 月份降雨量与前后几个月并没有大的波动 。 并 且 降雨或蒸发量的增 多 , 不 会 使 一 种 污 染 物 浓 度 降 低, 而另一种 浓度增加 , 所以水文特性的变化不是造 成 污 染 物 浓 度 大 幅 波 动
图 2 N H P 的回归预测值与实测值拟合图 3-N 和 T

的原因 。 ( ) 水利工 程 的 影 响 。 工 程 放 水 或 引 水 入 河 道 , 也会导致 2 污染物浓度的降低 。 工 程 的 影 响 会 导 致 两 种 污 染 物 浓 度 同 时 增大或减小 , 而两种污染物浓度一个 增 大 , 一个降低, 故不是受 到水利工程的影响 。 并 且 , 通州新江海河水利 2 0 1 0年 1月 份,
相对 误差/ % 1 0. 0 7 8 4. 0 0 0 2. 2 5 8 2. 2 5 8 5. 6 9 1 2 9. 9 8 8 2. 3 0 2 1. 4 1 1 1. 2 9 4 1. 8 2 3 3. 2 4 1 2. 5 6 4 1. 3 9 7 4. 3 7 5 3. 3 0 2 3. 0 1 7 4. 0 7 0

a n i . 2 V a l u e s o f r e r e s s i o n r e d i c t e d a n d m e a s u r e d o f N H d T P F                     3-N g g p 表 5  已知时段的回归预测值与实测值 T a b . 5 V a l u e s o f r e r e s s i o n r e d i c t e d a n d m e a s u r e d o f a c e r t a i n t i m e                     g p NH3-N 时段 回归预测 序号 值/( m g ·L-1) 8   9   1 0   1 1   1 2   1 3   1 4   1 5   1 6   1 7   1 8   1 9   2 0   2 1   2 2   2 3   2 4   0. 6 7   0. 5 3   1. 0 5   1. 7 5   1. 3 3   1. 5 5   1. 7 2   1. 0 8   0. 9 9   1. 3 1   0. 9 3   1. 7 3   0. 8 2   1. 5 9   1. 6 0   0. 6 2   6 7 1.   实测值/ ( m g· L-1) 0. 6 5   0. 5 5   1. 0 3   1. 7 7   1. 4 1   0. 7 7   1. 7 4   1. 1 0   0. 8 1   1. 0 5   0. 8 7   2. 1 9   0. 8 0   1. 6 1   1. 6 2   0. 6 4   1. 6 9   相对 误差/ % 3. 0 8   3. 6 4   1. 9 4   1. 1 3   5. 6 7   1 0 1. 3 0   1. 1 5   1. 8 2   2 2. 2 2   2 4. 7 6   6. 9 0   2 1. 0 1   2. 5 0   1. 2 4   1. 2 4   3. 1 3   1. 1 8   回归预测 值/( m g ·L-1) 0. 5 8   0. 1 8   0. 3 2   0. 3 2   0. 1 3   0. 5 8 0   0. 3 1   0. 4 9   0. 5 3   0. 3 8   0. 2 2   0. 2 8   0. 4 9   0. 1 7   0. 2 2   0. 2 4   0. 1 8   T P 实测值/ ( m g· L-1) 0. 6 5   0. 1 8   0. 3 1   0. 3 1   0. 1 2   0. 8 3   0. 3 0   0. 5 0   0. 5 4   0. 3 8   0. 2 2   0. 2 7   0. 5 0   0. 1 6   0. 2 1   0. 2 3   0. 1 7  

工程并没有蓄 、 放 水 作 业。所 以, 水利工程不是造成污染物浓 度大幅波动的原因 。 ( ) 污染源 排 放 的 影 响 。 若 当 月 工 厂 采 取 节 污 措 施 等 , 排 3 污量减小或污染物排放浓度降低 , 会使测得的 NH3 -N 的浓度 减小 。 与此同时 , 生活污水 ( 主要污染物 为 T 排放量的增加, P) 会导致 T P 浓度的增加 。 ( ) 测量误 差 的 影 响 。 测 量 仪 器 、 测量时间以及人为因素 4 的影响 , 都会导致污染物实测值的增大或减小 。 ( ) 软件自 身 的 影 响 。 运 用 软 件 进 行 数 据 计 算 时 , 可能由 5 于软件自身存在一 定 的 缺 陷 , 计 算 结 果 产 生 误 差, 从而造成预 测结果的偏差 。 综上所述 , 污染物浓 度 大 幅 波 动 可 能 是 由 污 染 源排放量 ( 或排放浓度 ) 增多 ( 或减少 ) 或测量误差引起的, 也有 可能是软件自身存在一定的缺陷 , 从而 导 致 了 水 质 预 测 结 果 的 误差 。 但总体看来 , 支持向量机建立 起 的 水 质 预 测 模 型 能 够 用 来预测水质 。

3. 4  水质预测
以 8~2 通过模型 4 时段的 NH3 -N 浓度作为一组输入值 , / 可预测得到未来第一个时段的 NH3 -N 的浓度为 1. L; 3 3m g 同理以 8~2 通过模型可预 4 时段的 T P浓 度 作 为 一 组 输 入 值, / 测得到未来第一个时段的 T P 的浓度为 0. 3 7m L。 再分别以 g 9~2 4 时段以及预测的未来第一个时段的 NH3 -N 和 T P 的浓 度作为一组输入值 , 可预测得到未来第 二 个 时 段 的 各 指 标 的 浓 / / 度分别为 1. 3 5m L, 0. 3 1m L。 分别以 1 0~2 4 时段 以 及 预 g g 测的未来第一个时段和 第 二 个 时 段 的 NH3 -N 和 T P的浓度 作为一组输入值 , 可预测得到未来第三 个 时 段 的 各 指 标 的 浓 度 / / 分别为 1. 2 8m L, 0. 3 3m L。 未 来 3 个 时 段 的 预 测 值 见 g g 表 6。
表 6  未来时段的预测值 T a b . 6 P r e d i c t e d v a l u e s o f t h e f u t u r e t i m e             水质指标 NH3-N   T P   第一时段 1. 3 3   0. 3 7   第二时段 1. 3 5   0. 3 1   第三时段 1. 2 8 0. 3 3 / m L g

T P 的相对误差为回归预测值和实测值保留三位数时计算所得 。  注:

NH3 -N 的 回 归 预 测 值 与 实 测 值    由图 2 和表 5 可以看出 , 除第1 平 的1 3 组 外 其 余 组 的 拟 合 效 果 较 好, 7个 相 对 误 差 中, 均误 差 1 构建的支持向量回归机预测模型的预测效果 1. 9 9% , 较好 。T 平 P的1 7 个预测数据中 1 5 个数据相对误差小于 6% , 均相对误差 4. 构建的支持向量回归机预测模型的预测效 8 9% , 果较好 。 同时也可以 看 到 第 1 实测时间为2 3组数据( 0 1 0 年 1 月) 预测值与实测值相差较大 , 尤 其 是 NH3 -N 浓 度 的 预 测 值 , 其 相对误差高达 1 第1 两 0 1. 3 0% 。 由表 5 中可以看出 , 3 组数 据 ,

基于支持向量机的水质预测应用实例    张秀菊   安   焕   赵文荣   等

8 9

于水质指标浓度预测问题 , 并结合 实 际 问 题 进 行 分 析 。 实 验 表 明, 从整体预测效果来看 , S VM 预 测 结 果 能 较 好 地 反 映 水 质 情 况 。 研究丰富了水质预测的理论和方 法 , 为水环境监控管理提 供了基础数据和科学的技术支持 , 具有 较 好 的 理 论 意 义 和 应 用 价值 。 然而 S 尚需完善 , 如何 把 降 VM 算法也尚处于发展阶段 , 雨、 排污 、 人为等因素的影响考虑在内 , 如何使用支持向量机很 好地处理大规模数 据 集 是 有 待 解 决 的 问 题 。 支 持 向 量 机 方 法 有待进一步的完善 , 还有更大的发展空间 。 参考文献 :
[ ] 基于支持向量回归 的 水 质 预 测 研 究 [ 武 汉: 武汉理工 1 D] .  梁 勇. 大学 , 1 2. 2 0 [ ] ] 水环境数学模型的研究进展[ 环 境 科 学 进 展, 2 9 3, J . 1 9   叶常 明 . ( ) : 1 1 7 4-8 0. [ ] 基于支持向量机的 地 下 矿 泉 水 质 预 测 研 究 [ 济 南: 山 3 D] .  高 佳. 东师范大学 , 2 1 0. 0 [ ] 4 r i e d . G r o u n d w a t e r o l l u t i o n[ J] . D e v e l o m e n t s i n  W a t e r S c i -  F         p p , ( ) : c e 1 9 7 5, 4 1. 1 9-2 e n [ ] 王 超. 灰色动态模型群法在河流水质预测中的应用初 5   李如忠 , ( ) : ] 探[ 中国农村水利水电 , 0 3, 1 8. 7 6-7 J . 2 0 [ ] 姜应和 , 程   静, 等. 管道输送过程中污染物的降解及污 6   曾向前 , 图 3 N H P 的浓度变化趋势图 3-N 和 T i . 3 C o n c e n t r a t i o n c h a n e t r e n d o f N H F a d T P n               3-N g g ] ( : 水厂进水水质预测 [ 中 国 农 村 水 利 水 电, J . 2 1 0, 1 0) 4 7-4 9, 0 5 2. [ ] 基于支持向量机的 水 质 评 价 和 预 测 研 究 [ 南 京: 河海 7 D] .   郑一华 . 大学 , 2 0 6. 0 [ ] M] . N e w 8 a n i k V. T h e n a t u r e o f s t a t i s t i c a l l e a r n i n t h e o r  V           y[ p g   , Y o r k: S r i n e r r l a 1 9 9 5. -V e p g g [ ] 基于支持向量机理论的水环 境 质 量 预 测 与 评 价 方 法 研 究 9   徐红敏 . [ 长春 : 吉林大学 , 0 7. D] . 2 0 [ ] ] 何通能 . 基于小波变 换 和 支 持 向 量 机 的 水 质 预 测 [ 计 1 0  梁 坚, J . ( ) : 算机应用与软件 , 2 1 1, 2 8 2 8 3-8 6. 0 [ ] 徐宗学 , 李 畅 游. 支持向量回归机在水质预测中的应用 1 1   武国正 , ( ) : ] 与验证 [ 中国农村水利水电 , 1 2, 1 9, 2 5-2 J . 2 0 3 3.



如图3所    将两种污 染 物 的 浓 度 数 据 绘 制 成 变 化 趋 势 图 , 示 。 图中 , 8~2 4 时 段 的 数 据 为 拟 合 数 据, 2 5~2 7时段为预测 的后三个时 段 ( 即2 的 数 据。由 上 图 可 1 1 年 1 月、 2 月、 3 月) 0 以看出 , P的浓度呈波动下 NH3 -N 的浓度呈波动平稳状态 , T 降的趋势 , 两组预测 数 据 均 符 合 原 有 污 染 物 浓 度 的 变 化 趋 势 。 由此可以说明 , 支持向量机可以进行水 质 预 测 并 且 能 够 较 好 地 反映水质的情况 。

4  结   语
尝试将该方法用 本 文 在 研 究S VM 理 论 和 算 法 的 基 础 上 ,

???????????????????????????????????????????????????
( 上接第 8 4页)
[ ] 段争虎 , 谭明亮 , 等. 石羊河 流 域 天 然 植 被 生 态 需 水 量 估 1 5   张瑞君 , ( ) : ] 算及预测 [ 中国沙漠 , 1 2, 3 2 2 5 4 5-5 5 0. J . 2 0 [ ] 肖 洪 浪. 黑河流域水环境演变及其驱动机制研究进展 1 6   肖生春 , ( ) : [ ] 地球科学进展 , 0 8, 2 3 7 7 4 8-7 5 5. J . 2 0 [ ] 刘艳霞 , 迟守乾 , 等. 石羊河 流 域 生 态 危 机 的 综 合 治 理 探 1 7   陈怀录 , ] ( ) : 讨[ 中国沙漠 , J . 2 0 8, 2 8 5 8 8 6-8 9 0. 0 [ ] 伊力哈木 , 冯省利 , 等. 干旱 内 陆 河 流 域 地 表 水 地 下 水 联 1 8   孙栋元 , ( ) : ] 合调度研究进展 [ 地理科学进展 , 0 9, 2 8 2 1 6 7-1 7 3. J . 2 0 [ ] —以 — 康尔泗 , 杨建平 , 等. 内陆河流域分布式水文模型— 1 9   陈仁升 , : ] 黑河流域干流山区 建 模 为 例 [ 中 国 沙 漠, 0 4, 2 4( 4) 4 1 6- J . 2 0 4 2 4. [ ] 王云智 , 董新光 , 等. 新疆平 原 区 井 渠 结 合 地 下 水 数 值 模 2 0   吴红燕 , ( ) : ] 拟与分析 [ 地下水 , 0 7, 2 9 2 2 3-2 7. J . 2 0 [ ] ] 干旱内 陆 河 地 区 地 表 水 和 地 下 水 集 成 模 型 及 应 用 [ 2 1   胡立堂 . J . ( ) : 水利学报 , 2 0 8, 3 9 4 4 1 0-4 1 8. 0 [ ] 王 中 根, 夏   军. 地表水和地下水耦合模型研究进展 2 2  王  蕊, ( ) : [ ] 地理科学进展 , 0 8, 2 7 4 3 7-4 1. J . 2 0 [ ] 秦大庸 , 于福亮 , 等. 黑河中 游 地 区 水 资 源 优 化 配 置 模 型 2 3  李 扬, ] ( ) : 研究 [ 人民黄河 , J . 2 0 8, 3 0 8 7 2-7 4. 0 [ ] 侯红雨 , 谢越韬 .黑河中游地表水 、 地下水转化及水资源 2 4   李福生 , ( ) : ] 配置模型 [ 人民黄河 , 0 8, 3 0 8 6 4-6 6. J . 2 0 [ ] ] 陈 雯, 刘 晓 玫. 流域综合管理方法与技术[ 湖泊科 2 5   李恒鹏 , J . ( ) : 学, 0 4, 1 6 1 8 5-9 0. 2 0 [ ] 肖洪浪 , 蓝永超 , 等. 近5 2 6   肖生春 , 0a来黑河流域水资源问题与 流 ] ( ) : 域集成管理 [ 中国沙漠 , J . 2 1 1, 3 1 2 5 2 9-5 3 5. 0 [ ] 肖洪浪 , 李彩芝 , 等. 黑河流 域 节 水 生 态 农 业 与 流 域 水 资 2 7   程国栋 , : ] 源集成 管 理 研 究 领 域 [ 地 球 科 学 进 展, 0 8, 2 3( 7) 6 6 1- J . 2 0 6 6 5. [ ] 程国栋 , 李彩芝 , 等. 黑河流域 生 态 - 水 文 观 测 试 验 与 水 2 8   肖洪浪 , : ] 地 球 科 学 进 展, 0 8, 2 3( 7) 6 6 6- - 生态 集 成 管 理 研 究 [ J . 2 0 6 7 0. [ ] 刘七军 , 李 光 棣. 干旱区流域水资源集成管理的基础理 2 9   李锋瑞 , ( ) : ] 论与创新思路 [ 冰川冻土 , 0 9, 3 1 2 3 1 8-3 2 7. J . 2 0


相关文章:
支持向量机在风险评估的运用实例--by Seven
支持向量机在风险评估的运用实例--by Seven_经济/市场_经管营销_专业资料。支持...二、基于支持向量机的高校财务综合风险预测本部分的数据来源于教育部直属 76 所...
支持向量机(SVM)在作物需水预测中的应用研究综述
Supp. . Nov.2015 1 支持向量机(SVM)在作物需水预测的应用研究综述 (1.中国农业大学水利与土木工程学院,北京,100083) 摘要:水资源的合理配置对于社会经济的...
基于支持向量机的复合材料力学性能预测(终稿)
基于支持向量机的大型水... 暂无评价 3页 ¥2....[2-4]均将神经网络应用于复合材料的力学性能预测。...思维导图经典案例 Excel键盘快捷键 Photoshop的抠图技巧...
基于支持向量机的短期电力负荷预测
论文首先阐述了负荷预测的应用研究现状,概括了负荷预测的特点及 其影响因素,归纳...25 第 4 章 基于最小二乘支持向量机的短期负荷预测的实例分析 ... 27 4.1 ...
水资源利用与保护
发生改变,因而 限制或防碍地下水在各个方面的应用。...构建了基于支持向量机的水环境质量评 价模型;以及...建立水质预测预报系统,达到以防为主,防治结合的目的...
模式识别论文
模式识别 课专 题:基于支持向量机人工神经网络的水质预测研究 基于支持向量机...的方法应用于水质评价, 程, 提出一种基于支持向量机的方法应用于水质评价, 该...
支持向量机理论及工程应用实例
支持向量机理论及工程应用实例_电力/水利_工程科技_...(使用已有的模型进行预测),下面分 别对这两个程序...高端龙头贵在哪儿 橱柜行业多“猫腻” 选品牌重沟通...
基于混沌—支持向量机的大气污染物浓度预测模型
基于混沌—支持向量机的大气污染物浓度预测模型 【摘要】 针对传统大气污染物浓度...支持向量机应用于大气污... 122人阅读 3页 1下载券 资源—基于奇异谱和混...
实验2分类预测模型_支持向量机
1 回归问题几何示意图 o x 图 3-2 回归函数的不敏感地 带 四、 实验案例与分析支持向量机作为一种基于数据的机器学习方法, 成功应用于分类和预测两个方面。 ...
支持向量机matlab实现
支持向量机matlab实现_计算机软件及应用_IT/计算机_...(j)); %第 j 个预测值和真实值之差 alphasoldI...支持向量机matlab实例及... 59页 3下载券 支持...
更多相关标签:
支持向量机的应用实例 | 支持向量机应用实例 | 支持向量机预测 | 支持向量机回归预测 | 支持向量机matlab实例 | 支持向量机分类实例 | 支持向量机预测matlab | 支持向量机实例 |