公开(公告)号：CN119598402A

公开(公告)日：2025-03-11

申请号：CN202411674705.1

申请日：2024-11-21

Applicant: 桂林电子科技大学

Inventor： 许睿 ,  向龙 ,  李建 ,  沈世铭

IPC: G06F18/25 ,  G06N3/042 ,  G06N3/0464 ,  G06N3/08 ,  G06Q50/26 ,  G06N3/045

Abstract: 本发明公开了基于图神经网络与时空特征融合的水质预测方法，方法为：获取预定流域内多个监测站在预定时间段内的水文数据和水质数据，将监测站表示为图的节点，并将监测站之间的邻接关系表示为图的边，以此构建映射多个监测站污染物数据的图拓扑网络，采用时空特征融合模块对图拓扑网络进行特征提取和融合，得到水污染时空特征数据，时空特征融合模块由图卷积网络、门控循环单元和自注意力机制组成训练得到，对提取的特征数据进行融合处理，形成图拓扑结构的时序数据集，最后通过图时序预测模型对数据集进行预测，以得到多个监测站在目标时间段的水质预测结果。这种方法能够有效应对水污染的时空变化过程，降低水质预测成本，提高水质预测精度。

公开(公告)号：CN119963367A

公开(公告)日：2025-05-09

申请号：CN202411968008.7

申请日：2024-12-30

Applicant: 桂林电子科技大学

Inventor： 沈世铭 ,  许睿 ,  文建辉 ,  李建 ,  张乐乾 ,  向龙

IPC: G06Q50/06 ,  G06Q10/04 ,  G06N3/042 ,  G06N3/0455 ,  G06N3/0442 ,  G06N3/0464

Abstract: 本发明提供一种基于图神经网络的深度学习模型GCN‑GRU的水质预测方法，将监测站的分布与监测站之间的邻接关系视为图的节点与边以构建图结构，利用图结构保留流域内监测站点的原始空间分布，能够更准确地模拟污染物的传输过程，并显著提高模型的解释能力；通过引入图卷积网络和门控循环单元，以有效捕捉非网格结构数据中的空间信息和时间信息，接着，采用自注意力机制和全连接网络，有效融合水质时间序列数据中的长期时空特征，其结合了GCN在空间建模方面的优势和GRU在时序建模方面的能力，实现对空间关联和时间依赖关系的全面捕捉，进而提高了水质预测结果的可靠性，为环境保护和污染防治提供了重要工具。