本技術涉及溶解氧預測，提供了一種基于數據分解的溶解氧預測方法及相關設備。
背景技術：
1、溶解氧是評價水生生態系統健康狀況的重要指標，其濃度的波動直接表明水體中氧氣產生和消耗之間的動態平衡；長時間極端低濃度或高濃度溶解氧（do，dissolvedoxygen）不僅威脅水生生物的生存，還會引發一系列水質問題，最終影響人類健康和生態安全。因此，實現do多步預測有助于直接減少測量需求，及時發現潛在水質威脅。
2、目前，do預測模型可以分為機理性預測模型和非機理預測模型，機理性預測模型主要是水生態系統的動態過程模擬，而非機理性模型主要是根據采集的水質參數進行數據驅動式預測。常用的機理性預測模型包括水生生物毒性模型（aquatox，aquatictoxicology?model）、二維水質水量模擬模型（ce-qual-w2，ce-qual?water?qualitysimulation?model?2-dimensional）、環境流體動力學模型（efdc，environmental?fluiddynamics?code）、水質分析模擬程序（wasp，water?quality?analysis?simulationprogram）和邁克水環境模擬模型系統mike等。但是，這些機理預測模型使用一系列狀態變量來描述水體變化復雜過程，需要用到大量參數以及復雜模塊。常用的非機理性模型則包括人工神經網絡（ann，artificial?neural?network）和自回歸積分滑動平均模型（arima，autoregressive?integrated?moving?average?model）的集成混合模型、隨機森林randomforest等機器學習模型以及循環神經網絡（rnn，recurrent?neural?network）、長短期記憶網絡（lstm，long?short-term?memory）、transformer等深度學習模型。其中，機器學習模型相較于傳統的數理統計模型而言在捕獲數據非線性特征方面效果更好，但對于高度復雜的非線性特征以及長期時序依賴的水質數據的預測還具有一定挑戰。在此基礎上，傳統的深度學習模型雖然可以改善機器學習上述問題，也仍然存在一定的局限性，如rnn、lstm等在多步預測任務中易導致長期預測中的誤差累積，transformer的提出雖然解決了誤差積累這一問題，但其預測范圍大多局限于較短的時間段，不適用于長時間的預測輸出。
3、由此可見，目前的溶解氧預測技術存在溶解氧預測的準確性低的問題。
技術實現思路
1、本技術實施例提供了一種基于數據分解的溶解氧預測方法及相關設備，可以解決溶解氧預測的準確性低的問題。
2、第一方面，本技術實施例提供了一種基于數據分解的溶解氧預測方法，該溶解氧預測方法包括：
3、獲取目標水體的多個水質指標，并從所有水質指標中確定出多個目標水質指標；目標水質指標與溶解氧之間的相關程度大于所有其他水質指標與溶解氧之間的相關程度；
4、根據所有目標水質指標，生成目標水體的溶解氧數據序列，對溶解氧數據序列進行分解，得到趨勢性分量和季節性分量；
5、利用趨勢預測模型，對趨勢性分量進行預測，得到第一溶解氧預測值，并利用季節預測模型，對季節性分量進行預測，得到第二溶解氧預測值；
6、將第一溶解氧預測值和第二溶解氧預測值進行融合，得到目標水體的最終溶解氧預測值。
7、可選的，從所有水質指標中確定出多個目標水質指標，包括：
8、獲取目標水體的每個水質指標的多個觀測值，并獲取目標水體的多個溶解氧觀測值；
9、分別針對每個水質指標，根據水質指標的所有觀測值以及所有溶解氧觀測值，計算水質指標與溶解氧之間的相關程度；
10、對所有相關程度進行由大到小的排序，將排序結果中前多個相關程度對應的水質指標均作為目標水質指標。
11、可選的，根據水質指標的所有觀測值以及所有溶解氧觀測值，計算水質指標與溶解氧之間的相關程度，包括：
12、通過公式：
13、
14、計算水質指標與溶解氧之間的相關程度；
15、其中，表示水質指標的第個觀測值，表示觀測值的數量，表示水質指標的觀測值均值，表示溶解氧的觀測值均值，表示溶解氧的第個觀測值。
16、可選的，對溶解氧數據序列進行分解，得到趨勢性分量和季節性分量，包括：
17、對溶解氧數據序列進行傅里葉變換，得到多個頻率分量；
18、計算每個頻率分量的幅度，并基于所有幅度從所有頻率分量中篩選出多個主頻率分量；
19、對所有主頻率分量進行逆快速傅里葉變換，得到季節性分量；
20、從溶解氧數據序列中減去季節性分量，得到趨勢性分量。
21、可選的，對溶解氧數據序列進行傅里葉變換，得到多個頻率分量，包括：
22、通過公式：
23、
24、計算第個頻率分量；
25、其中，表示溶解氧數據序列的長度，表示溶解氧數據序列，表示自然常數，表示虛數單位，。
26、可選的，利用趨勢預測模型，對趨勢性分量進行預測，得到第一溶解氧預測值，包括：
27、利用趨勢預測模型，對趨勢性分量進行補零和重構，得到重構分量；
28、對重構分量進行注意力和卷積運算，得到趨勢性特征；
29、對趨勢性特征進行逆變換，得到第一溶解氧預測值。
30、可選的，對趨勢性分量進行補零和重構，得到重構分量，包括：
31、判斷趨勢性分量的長度是否能被預設周期整除；
32、若是，則將趨勢性分量重構為基于預設周期的二維形式，得到重構分量；
33、否則，對趨勢性分量進行補零，并將補零后的趨勢性分量重構為基于預設周期的二維形式，得到重構分量。
34、第二方面，本技術實施例提供了一種基于數據分解的溶解氧預測裝置，包括：
35、獲取模塊，用于獲取目標水體的多個水質指標，并從所有水質指標中確定出多個目標水質指標；目標水質指標與溶解氧之間的相關程度大于所有其他水質指標與溶解氧之間的相關程度；
36、生成模塊，用于根據所有目標水質指標，生成目標水體的溶解氧數據序列，對溶解氧數據序列進行分解，得到趨勢性分量和季節性分量；
37、預測模塊，用于利用趨勢預測模型，對趨勢性分量進行預測，得到第一溶解氧預測值，并利用季節預測模型，對季節性分量進行預測，得到第二溶解氧預測值；
38、融合模塊，用于將第一溶解氧預測值和第二溶解氧預測值進行融合，得到目標水體的最終溶解氧預測值。
39、第三方面，本技術實施例提供了一種終端設備，包括存儲器、處理器以及存儲在存儲器中并可在處理器上運行的計算機程序，該處理器執行上述計算機程序時實現上述的基于數據分解的溶解氧預測方法。
40、第四方面，本技術實施例提供了一種計算機可讀存儲介質，該計算機可讀存儲介質存儲有計算機程序，該計算機程序被處理器執行時實現上述的基于數據分解的溶解氧預測方法。
41、本技術的上述方案有如下的有益效果：
42、在本技術的實施例中，通過獲取目標水體的多個水質指標，并從所有水質指標中確定出多個目標水質指標，然后根據所有目標水質指標，生成目標水體的溶解氧數據序列，對溶解氧數據序列進行分解，得到趨勢性分量和季節性分量，再利用趨勢預測模型，對趨勢性分量進行預測，得到第一溶解氧預測值，并利用季節預測模型，對季節性分量進行預測，得到第二溶解氧預測值，最后將第一溶解氧預測值和第二溶解氧預測值進行融合，得到目標水體的最終溶解氧預測值。其中，確定出與溶解氧強相關的目標水質指標再基于目標水質指標的數據進行溶解氧預測，實現對溶解氧相關數據的充分挖掘的同時，降低數據規模，對數據序列分解后根據不同分量采用不同模型進行預測，提高對不同分量預測的針對性，充分對不同分量與溶解氧之間的關系進行分析，保證分量對應的預測值的可靠性和精度，根據精度高的第一溶解氧預測值和第二溶解氧預測值進行融合預測，能夠有效提高溶解氧預測的準確性。
43、本技術的其它有益效果將在隨后的具體實施方式部分予以詳細說明。