基于注意力的时空图融合卷积网络在水质预测中的应用

《IEEE Transactions on Automation Science and Engineering》：Attention-Based Spatiotemporal Graph Fusion Convolution Networks for Water Quality Prediction

时空预测模型在水质监测中的应用与优化研究。摘要：针对水质量预测中非线性时序、空间依赖性强及长程预测精度低三大难题，提出融合时空图卷积的FSGCN模型。通过时空注意力机制捕捉动态非线性关系，构建河流网络拓扑图提取空间依赖特征，结合时序残差模块提升长期预测能力。实验验证表明该模型在真实数据集上预测精度显著优于传统方法。

　　

摘要：

在许多领域，时空预测越来越受到关注，例如空气污染、天气预报和交通预测。水质预测是一种时空预测任务。然而，水质预测面临几个挑战：1）水质时间序列具有复杂的非线性关系，这使得预测变得困难；2）水质传感器分布在河流网络上，对水质预测有很强的空间依赖性；3）长期预测准确性较差。为了解决这些问题，本文提出了一种名为融合时空图卷积神经网络（FSGCN）的时空预测模型。首先，本文使用时间注意力机制来解决水质时间序列的非线性问题。其次，采用图卷积来提取河流网络的空间依赖性，时空融合可以更轻松地捕捉时空特征。第三，采用时间卷积残差机制，提高长期序列预测的准确性。本文使用两个真实世界数据集来评估所提出的FSGCN，实验表明FSGCN在预测准确性方面优于几种现有技术方法。对实践者的提示——本文考虑了时空水质预测这一关键问题。准确的水质预测可以有效防止环境污染。传统的水质预测仅关注时间序列特征，而不考虑空间特征。本文提出了一种新的时空预测方法，该方法结合时空图融合构建网络，以实时方式预测水质时间序列。研究表明，这种方法可以实现更长的预测序列和更准确的结果，优于传统的预测方法。作为这项研究的实际成果，时空图融合卷积...

显示更多

引言

在监测水环境时，许多传感器被部署在不同的河流上，定期收集河流的水质信息。对河流网络进行准确的实时预测对环境至关重要[1]。水中溶解氧（DO）的浓度是水质的关键指标，因为它代表了与大气交换的速度以及各种耗氧过程（如硝化、化学氧化和有氧呼吸）和产氧过程（如光合作用）之间的平衡。因此，开发一个可靠的DO预测模型对于有效管理水质至关重要。河流网络的空间和时间信息对水质预测非常重要。目标是基于过去的历史水质信息和河流网络来预测未来的水质变化。然而，水质预测的主要挑战在于解决时间序列的长期依赖性和复杂的空间依赖性。首先，部署在河流通道中的传感器具有非常复杂的空间依赖性，上游的水质会影响下游的水质。如图1(a)所示，上游节点2和3对节点1的影响比其他节点更大。其次，水环境的质量随时间动态变化，缺乏特定的规律性和稳定性。图1(b)显示，不同时间步长的不同节点对每个节点的影响各不相同。因此，水质预测具有极强的空间和时间依赖性。一个重要的挑战是有效地整合时空特征进行水质预测。图1。

河流网络的水质具有时空结构，每个时间步长的数据形成一个图。对于节点1的预测，由于河水从上游流向下游，上游节点2和3的水质变化会影响下游节点1的水质。由于时间滞后，上游水质的变化可能需要几个小时才能影响到下游。相比之下，其他节点（如下游节点5和6）不会影响节点1。因此，不同空间位置的节点在不同时间点会影响目标节点。

一、引言

在监测水环境时，许多传感器被部署在不同的河流上，定期收集河流的水质信息。对河流网络进行准确的实时预测对环境至关重要[1]。水中溶解氧（DO）的浓度是水质的关键指标，因为它代表了与大气交换的速度以及各种耗氧过程（如硝化、化学氧化和有氧呼吸）和产氧过程（如光合作用）之间的平衡。因此，开发一个可靠的DO预测模型对于有效管理水质至关重要。河流网络的空间和时间信息对水质预测非常重要。目标是基于过去的历史水质信息和河流网络来预测未来的水质变化。然而，水质预测的主要挑战在于解决时间序列的长期依赖性和复杂的空间依赖性。首先，部署在河流通道中的传感器具有非常复杂的空间依赖性，上游的水质会影响下游的水质。如图1(a)所示，上游节点2和3对节点1的影响比其他节点更大。其次，水环境的质量随时间动态变化，缺乏特定的规律性和稳定性。图1(b)显示，不同时间步长的不同节点对每个节点的影响各不相同。因此，水质预测具有极强的空间和时间依赖性。一个重要的挑战是有效地整合时空特征进行水质预测。图1。

河流网络的水质具有时空结构，每个时间步长的数据形成一个图。对于节点1的预测，由于河水从上游流向下游，上游节点2和3的水质变化会影响下游节点1的水质。由于时间滞后，上游水质的变化可能需要几个小时才能影响到下游。相比之下，其他节点（如下游节点5和6）不会影响节点1。因此，不同空间位置的节点在不同时间点会影响目标节点。