(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211333090.7 (22)申请日 2022.10.28 (71)申请人 中国市政工程 华北设计 研究总院有 限公司 地址 300071 天津市南 开区卫津南路奥体 钻石山小区3 3号楼1521房 (72)发明人 王守志　万玉生　王冬　刘百韬　 姜天凌　曹雪梅　李旭　杜恺忻　 刘云慧　谢佳琪　 (74)专利代理 机构 天津盛理知识产权代理有限 公司 12209 专利代理师 董一宁 (51)Int.Cl. G06Q 10/04(2012.01) G06Q 50/06(2012.01)G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 基于时空图卷积网络的排水管网污水流量 预测方法 (57)摘要 本发明公开了一种基于时空图卷积网络的 排水管网污水流量预测方法， 首先， 获取排水管 网的污水流量时空数据集， 并对其进行预处理； 然后， 将上述数据集划分为训练集、 验证集和测 试集； 其次， 构建时空图卷积网络； 再次， 将训练 集和验证集输入网络进行训练； 最后， 用训练得 到的模型对测试集进行预测， 得到未来时间点排 水管网各分区排放口的污水流量预测值。 本发明 结合循环神经网络中的门控循环单元与图卷积 网络， 构建了排水管网污水流量预测模型， 且利 用此模型对监测站点不同时间段的污水流量进 行预测， 实验 结果的时空预测能力优于传统水质 预测模型， 从而实现了对排水管网各分区排放口 污水流量的快速精准预测， 为城市水管理提供技 术支撑。 权利要求书1页 说明书3页 附图2页 CN 115526428 A 2022.12.27 CN 115526428 A 1.一种基于时空图卷积网络的排水管网污水流量预测方法， 其特征在于： 包括如下步 骤： S1、 获取排水 管网的污水流 量时空数据集， 并对其进行 预处理； S2、 将上述污水流 量时空数据集划分为训练集、 验证集和 测试集； S3、 构建时空图卷积网络； S4、 将训练集和验证集输入网络进行训练； S5、 用训练得到的模型对测试集进行预测， 得到未来时间点排水管网各分区排放口的 污水流量预测值。 2.根据权利要求1所述的基于时空图卷积网络的排水管网污水流量预测方法， 其特征 在于， 所述 步骤S1中污水流 量时空数据集的预处 理包括： 统计整理排水 管网不同排 放口监测站点污水的历史流 量值， 得到时间数据集； 统计整理排水 管网各分区排 放口监测站点的空间连接关系， 得到空间数据集。 3.根据权利要求1所述的基于时空图卷积网络的排水管网污水流量预测方法， 其特征 在于， 所述 步骤S2数据集划分比例为： 6 0％的训练集， 20％的验证集和20％的测试集。 4.根据权利要求1所述的基于时空图卷积网络的排水管网污水流量预测方法， 其特征 在于， 所述步骤S 3构建时空图卷积网络集 成了循环神经网络RNN中的门控循环单元GRU和图 卷积网络GCN两部分， 其中， 所述GCN用于捕获排水管网各分区排放口监测站点网络的拓扑 结构， 对空间依赖性进行建模， 所述GRU用于捕获监测站点上污水流量数据的动态变化， 对 时间序列依赖性进行建模。 5.根据权利要求1所述的基于时空图卷积网络的排水管网污水流量预测方法， 其特征 在于， 所述步骤S4的具体实施方法是： 利用Intel  i76800K 6核处理器+英伟达GeoForce   GTX 1080Ti显卡的计算机硬件资源配置和深度学习框架PyTorch将整理好的样 本集输入至 网络中进行迭代训练， 根据损失情况确定最终训练模型， 训练参数 见表1， 表1网络训练参数 参数 数值 参数 数值 数据集比例 6:2:2 批尺寸(Batc hSize) 32 训练周期(Epoc h) 1000 隐藏单元数 64 学习率(Learn ingRate) 0.001 权重衰减(WeightDecay) 0.0015 。 6.根据权利要求1所述的基于时空图卷积网络的排水管网污水流量预测方法， 其特征 在于， 所述 步骤S5未来时间点 为15min后。 7.根据权利要求4所述的基于时空图卷积网络的排水管网污水流量预测方法， 其特征 在于， 所述通过门控循环单元GRU和图卷积网络 GCN两部分构建时空图卷积网络的具体实施 方法是： 首先， 以长度为n的历史 时间序列序列数据作为输入， 使用GCN接收拓扑结构的空间 信息， 其次， 将接收到的空间、 时间序列信息输入GRU当中， 获取各个单元间的动态信息， 以 提取时间序列性的特 征， 最后， 通过一层全连接层， 获得 预测结果。权　利　要　求　书 1/1 页 2 CN 115526428 A 2基于时空图卷积网 络的排水管 网污水流量预测方 法 技术领域 [0001]本发明属于图处理技术领域， 尤其涉及一种基于时空图卷积网络的排水管网污水 流量预测方法。 背景技术 [0002]老旧城区排水管网系统已经基本完善， 但存在管网破损、 错接或者管网堵塞， 从而 使得入流入渗水量进入污水管网系统， 因此导致主干管污水中污染物浓度远远低于规范中 城市生活污水中污染物浓度， 很难满足污水 处理要求， 使得污水处理厂处理效能低下。 特别 是降雨导致的入流入渗， 使得污水管网系统、 污水处理厂运行负荷增加， 系统容量下降， 增 加了污水厂运行成本， 严重时还易发生溢流， 污染环境。 [0003]目前依靠传统手段(如依靠经验或者是简单的控制系统)已经不能满足当前污水 处理厂污水处理系统的需求， 从而导致污水处理设施建设和运行过程中存在运行质量差、 处理效率和资源利用率低等问题。 传感器及在线监测设备在污水处理系统的广泛使用， 虽 然为工程技术人员采集了大量的数据， 如水温、 pH、 浊度、 色度、 流量、 化学需氧量(COD)、 生 物需氧量(BOD)等， 可是如何分析这些数据并从中提取关键信息用于污水处理系统的调控 还没有一套行之有效的方法， 因此 无法有效地 提高污水处 理厂污水处 理的效率和准确性。 [0004]机器学习方法可充分利用大数据进行非线性回归、 分类和预测、 诊断异常数据点 以及为多目标系统寻找最优 决策方式， 是近年来解决复杂工程系统问题的重要手段之一。 同时， 机器学习方法容错率高， 可适应较大的输入 数据变化， 能很好地利用污水 处理过程中 产生的数据集， 并可通过不断优化达 到较好的学习效果。 发明内容 [0005]针对现有技术存在的问题， 为了提高污水处理的效率和准确性， 本发明提出了一 种基于时空图卷积网络的排水 管网污水流 量预测方法。 [0006]如上构思， 本发明的技术方案是： 一种基于时空图卷积网络 的排水管网污水流量 预测方法， 包括如下步骤： [0007]S1、 获取排水 管网的污水流 量时空数据集， 并对其进行 预处理； [0008]S2、 将上述污水流 量时空数据集划分为训练集、 验证集和 测试集； [0009]S3、 构建时空图卷积网络； [0010]S4、 将训练集和验证集输入网络进行训练； [0011]S5、 用训练得到 的模型对测试集进行预测， 得到未来时间点排水管网各分区排放 口的污水流 量预测值。 [0012]进一步， 所述步骤S1中污水流 量时空数据集的预处 理包括： [0013]统计整理排水 管网不同排 放口监测站点污水的历史流 量值， 得到时间数据集； [0014]统计整理排水 管网各分区排 放口监测站点的空间连接关系， 得到空间数据集。 [0015]进一步， 所述步骤S2数据集划分比例为： 60％的训练集， 20％的验证集， 20％的测说　明　书 1/3 页 3 CN 115526428 A 3