王新宇 李寒

（北方工業(yè)大學(xué)信息學(xué)院 北京市 100144）

1 引言

近年來，我國水體污染狀況日益嚴(yán)重。歷史數(shù)據(jù)表明，我國全國每年的污水排放量曾高達(dá)360 億噸，其中除70%的工業(yè)污水和10%的生活污水經(jīng)過了污水處理加工外，其余的污水直接排入江河湖海之中，導(dǎo)致水體質(zhì)量的嚴(yán)重污染。污水中所含有的重金屬元素、砷、氰化物等對(duì)人體有害的污染物含量均逐漸上升。全國共有9.5 萬公里河流，其中的20%受到污染，5%受到嚴(yán)重污染，86%的城市河流受到不同程度的污染。水體質(zhì)量的污染，不僅直接影響了人們的正常生活，對(duì)人體健康產(chǎn)生威脅，還影響了工業(yè)及其他領(lǐng)域的安全用水，造成巨大的經(jīng)濟(jì)損失。結(jié)合上述背景，通過對(duì)歷史的水體質(zhì)量數(shù)據(jù)進(jìn)行分析，構(gòu)建能夠?qū)λ廴具M(jìn)行監(jiān)測(cè)的模型，不僅可以應(yīng)用于監(jiān)測(cè)周期性的或突發(fā)的水污染，還可以為相關(guān)部門治理水污染問題提供數(shù)據(jù)支持，具有重大的實(shí)際意義。

目前眾多的水體質(zhì)量異常檢測(cè)技術(shù)中，按研究方向可以分為機(jī)理模型和算法模型兩大類?；跈C(jī)理模型的水污染監(jiān)測(cè)技術(shù)指的是研究污染物在水體中發(fā)生的遷移、轉(zhuǎn)化、沉淀、吸附等復(fù)雜的物理、化學(xué)或生物過程，運(yùn)用大量的實(shí)驗(yàn)數(shù)據(jù)來準(zhǔn)確地構(gòu)建水體質(zhì)量模型，從歷史經(jīng)驗(yàn)中推演出未來水體污染的發(fā)生情況。如，方海泉利用經(jīng)驗(yàn)?zāi)B(tài)分解與中位數(shù)相結(jié)合的方法對(duì)水體數(shù)據(jù)進(jìn)行異常檢測(cè)，再通過分段曲線擬合進(jìn)行異常值校正，對(duì)于時(shí)間跨度大且變化趨勢(shì)復(fù)雜的非線性非平穩(wěn)水體在線監(jiān)測(cè)數(shù)據(jù)，異常數(shù)據(jù)檢測(cè)的效果較為明顯。盛琳基于多光譜影像對(duì)葉綠素a 進(jìn)行濃度反演。Feng Shang基于流體動(dòng)力學(xué)模型提出了水體中污染物事件實(shí)時(shí)檢測(cè)方法，結(jié)合水體動(dòng)力學(xué)，對(duì)污染物濃度與余氯之間關(guān)聯(lián)特性進(jìn)行了研究分析。林劍遠(yuǎn)利用半經(jīng)驗(yàn)法建立了線性、二次多項(xiàng)式、指數(shù)和冪模型的水質(zhì)參數(shù)反演模型。魏媛設(shè)計(jì)了將不同濃度的硫酸銅、鐵氰化鉀污染物注入的實(shí)驗(yàn)，有效地挖掘了污染物注入前后水體的pH 值、濁度、余氯、溶解氧等8 種水體數(shù)據(jù)屬性之間的內(nèi)在關(guān)聯(lián)，利用所得的關(guān)聯(lián)性對(duì)因污染物引起的水體數(shù)據(jù)數(shù)值的異常波動(dòng)進(jìn)行檢測(cè)和識(shí)別，在保證準(zhǔn)確率的情況下盡可能降低誤報(bào)率。然而，該類方法需要研究人員對(duì)水體污染物及其物理化學(xué)機(jī)理具有充分的認(rèn)識(shí)，數(shù)據(jù)的采集難度較大，且應(yīng)對(duì)不同類型的水體，數(shù)學(xué)統(tǒng)計(jì)模型的普適性較差，不容易應(yīng)對(duì)突發(fā)的水體污染狀況。

在對(duì)相關(guān)領(lǐng)域所需的先驗(yàn)知識(shí)了解不充分的情況下，則可采用基于數(shù)據(jù)驅(qū)動(dòng)方法的算法模型，即利用監(jiān)控到的系統(tǒng)狀態(tài)數(shù)據(jù)，結(jié)合歷史數(shù)據(jù)，分析特征信息，對(duì)系統(tǒng)進(jìn)行異常診斷。該方法既不需要大量的領(lǐng)域?qū)I(yè)知識(shí)及相關(guān)的推理機(jī)制，也不需要建立精確復(fù)雜的系統(tǒng)模型，成為了物聯(lián)網(wǎng)和工業(yè)4.0 背景下，異常檢測(cè)領(lǐng)域的重要手段。作為數(shù)據(jù)驅(qū)動(dòng)方法的典型代表，機(jī)器學(xué)習(xí)具備全面分析和挖掘高維數(shù)據(jù)中潛在異常的能力。目前，已出現(xiàn)基于各類機(jī)器學(xué)習(xí)算法的水污染異常檢測(cè)方法。齊培培利用基于貝葉斯網(wǎng)絡(luò)的方法，對(duì)長江流域2004 年的水質(zhì)數(shù)據(jù)進(jìn)行分析，構(gòu)建出了基于貝葉斯網(wǎng)絡(luò)的水體質(zhì)量預(yù)測(cè)模型，并對(duì)2005 年的水體質(zhì)量進(jìn)行了精準(zhǔn)的評(píng)價(jià)和預(yù)測(cè)，從預(yù)測(cè)的角度對(duì)水體污染進(jìn)行監(jiān)測(cè)。朱煒玉基于自回歸模型和隔離森林算法實(shí)現(xiàn)了水質(zhì)動(dòng)態(tài)高精度異常檢測(cè)與預(yù)測(cè)分析。Wei Yang利用監(jiān)測(cè)的UV254值和pH 值作為輸入數(shù)據(jù)，以COD 值作為預(yù)測(cè)結(jié)果的輸出值，建立ANN 模型。CAO建立了基于門控結(jié)構(gòu)的溶解氧時(shí)序預(yù)測(cè)模型，依次對(duì)不同時(shí)間段內(nèi)水體溶解氧進(jìn)行預(yù)測(cè)。Wang設(shè)計(jì)了一種CA-NARX 算法，基于改進(jìn)的動(dòng)態(tài)聚類算法對(duì)水體富營養(yǎng)化程度進(jìn)行分類，綜合考慮氣溫、水溫、水面蒸發(fā)量、降雨量這四個(gè)因子，采用正向動(dòng)態(tài)回歸神經(jīng)網(wǎng)絡(luò)對(duì)水體中總磷、總氮含量進(jìn)行預(yù)測(cè)。然而，由于所采集的數(shù)據(jù)來自于真實(shí)環(huán)境，具有采集到噪聲數(shù)據(jù)的可能性，對(duì)預(yù)測(cè)結(jié)果產(chǎn)生影響，且需要設(shè)定一個(gè)閾值與預(yù)測(cè)結(jié)果進(jìn)行比較。Towler利用 K-最鄰近算法（K-Nearest Neighbor, KNN）實(shí)現(xiàn)對(duì)水體污染的監(jiān)測(cè)，首先，該方法構(gòu)建一個(gè)包含了水質(zhì)監(jiān)測(cè)信息和地理位置信息的特征向量，然后利用KNN 算法對(duì)各個(gè)相鄰的節(jié)點(diǎn)進(jìn)行加權(quán)計(jì)算，得到融合了空間信息的水質(zhì)異常概率。然而，由于該種方法仍需要監(jiān)測(cè)地點(diǎn)的地理位置信息作為先驗(yàn)知識(shí)，具有一定的局限性。Klise提出了一種利用K-Means 聚類算法與多元算法相結(jié)合的水污染監(jiān)測(cè)方法，通過設(shè)置聚類個(gè)數(shù)K 為1、2、4 和8，將4 個(gè)監(jiān)測(cè)到的水質(zhì)參數(shù)觀測(cè)值聚類，之后分別計(jì)算當(dāng)前時(shí)刻觀測(cè)值與各聚類中心的最大歐氏距離，從而做出水體是否異常的判斷。然而，該種方法需預(yù)先設(shè)置聚類個(gè)數(shù)的參數(shù)K。Vugrin提出了一種基于軌跡聚類的異常檢測(cè)方法，通過對(duì)水質(zhì)監(jiān)測(cè)數(shù)據(jù)的擬合多項(xiàng)式進(jìn)行特征提取與聚類，以對(duì)工況操作與水體污染引起的水體數(shù)據(jù)參數(shù)波動(dòng)加以區(qū)分。然而，該種方法仍然需要事先設(shè)定參數(shù)，且該方法的目標(biāo)是降低水質(zhì)事件的誤報(bào)率，而非對(duì)水體數(shù)據(jù)進(jìn)行異常檢測(cè)。Yu提出了基于長短時(shí)記憶神經(jīng)網(wǎng)絡(luò)（LSTM）和小波分析組合的方法預(yù)測(cè)湖泊中葉綠素含量，利用小波分析方法去除所采集數(shù)據(jù)中的噪聲數(shù)據(jù)，再利用LSTM 進(jìn)行預(yù)測(cè)分析。然而，該種方法仍不適宜應(yīng)對(duì)突發(fā)性的水污染，且適用場(chǎng)景具有局限性。

隨著物聯(lián)網(wǎng)技術(shù)的發(fā)展，各類傳感器已被廣泛應(yīng)用于生產(chǎn)生活中。在工業(yè)領(lǐng)域，尤其針對(duì)復(fù)雜系統(tǒng)或不適宜人工操作的場(chǎng)景，基于傳感器的設(shè)備或環(huán)境狀態(tài)監(jiān)控已成為必要手段。針對(duì)復(fù)雜的工業(yè)場(chǎng)景，單一傳感器很難全面反映設(shè)備或環(huán)境狀態(tài)，所以通常采用多傳感器系統(tǒng)對(duì)工業(yè)設(shè)備或環(huán)境進(jìn)行監(jiān)控，以有效地發(fā)現(xiàn)異常。通過將多傳感器系統(tǒng)部署在待監(jiān)測(cè)的水體流域，基于對(duì)多傳感器系統(tǒng)所監(jiān)測(cè)到的水體數(shù)據(jù)進(jìn)行分析，可以達(dá)到對(duì)水體污染進(jìn)行監(jiān)測(cè)的目的。

通過對(duì)水體質(zhì)量監(jiān)測(cè)數(shù)據(jù)的分析，可以得到水體質(zhì)量各監(jiān)測(cè)指標(biāo)如生化需氧量、懸浮物、大腸菌群數(shù)、pH 值及眾多化學(xué)元素量等之間的相關(guān)性。當(dāng)屬性間的相關(guān)性發(fā)生較大變化時(shí)，說明當(dāng)前水體質(zhì)量監(jiān)測(cè)系統(tǒng)中出現(xiàn)異常，即水污染。本文通過對(duì)監(jiān)測(cè)水體質(zhì)量的多元時(shí)間序列數(shù)據(jù)進(jìn)行分析，基于圖卷積神經(jīng)網(wǎng)絡(luò)構(gòu)建水污染監(jiān)測(cè)模型，將水污染監(jiān)測(cè)問題映射為基于圖卷積神經(jīng)網(wǎng)絡(luò)的分類問題，不僅考慮了監(jiān)測(cè)水體質(zhì)量各指標(biāo)之間的相關(guān)性，還避免了由噪聲數(shù)據(jù)帶來的預(yù)測(cè)的不確定性，泛化能力較強(qiáng)。

2 模型構(gòu)建與相關(guān)定義

本文基于圖卷積神經(jīng)網(wǎng)絡(luò)構(gòu)建水體質(zhì)量監(jiān)測(cè)模型，根據(jù)水體質(zhì)量數(shù)據(jù)屬性間所具有的相關(guān)性，首先將多元時(shí)序數(shù)據(jù)轉(zhuǎn)化為一組矩陣數(shù)據(jù)，將水污染監(jiān)測(cè)問題轉(zhuǎn)化為分類問題。

2.1 數(shù)據(jù)模型的構(gòu)造

給定一個(gè)水體質(zhì)量監(jiān)測(cè)的多元時(shí)間序列數(shù)據(jù)：

其中，Sequence表示一個(gè)時(shí)序數(shù)據(jù)的樣本，t 表示當(dāng)前時(shí)間戳，w 表示時(shí)間窗口的大小，m 表示多傳感器數(shù)據(jù)的特征維度，a(i = 1,2,...,m)表示數(shù)據(jù)集中屬性i 在時(shí)間窗口上自時(shí)間戳t 起始的w 個(gè)連續(xù)數(shù)據(jù)，可以使用a=(a,a,...,a)表示第k 個(gè)特征在時(shí)間窗口內(nèi)的時(shí)序數(shù)據(jù)。

設(shè)置滑動(dòng)窗口的大小w，可將一個(gè)時(shí)間窗口內(nèi)的多傳感器時(shí)序數(shù)據(jù)轉(zhuǎn)化為矩陣結(jié)構(gòu)。行和列代表多元傳感器數(shù)據(jù)的某個(gè)維度，矩陣值代表不同維度數(shù)據(jù)之間的相關(guān)性。

2.1.1 行列的構(gòu)造

對(duì)于擁有m 個(gè)維度的多元多傳感器時(shí)間序列數(shù)據(jù)，數(shù)據(jù)的維數(shù)即為行列數(shù)，即n 個(gè)，每個(gè)行或列對(duì)應(yīng)一元時(shí)序傳感數(shù)據(jù)。具體的，每個(gè)行或列所包含的信息為該節(jié)點(diǎn)所對(duì)應(yīng)的時(shí)序傳感數(shù)據(jù)在某個(gè)時(shí)間窗口內(nèi)的屬性值向量a=(a,a,...,a)。

2.1.2 矩陣值的構(gòu)造

圖1：模型的矩陣描述

在水體質(zhì)量監(jiān)測(cè)的多維時(shí)序數(shù)據(jù)中，處于同一個(gè)系統(tǒng)或具有物理關(guān)系的序列間往往呈現(xiàn)出較強(qiáng)的關(guān)聯(lián)關(guān)系，可以用矩陣值描述屬性之間的相關(guān)性。以構(gòu)造屬性i 和屬性j 之間的相關(guān)性為例，矩陣值a包含的信息為時(shí)間序列X上屬性值向量a與a相關(guān)性系數(shù)（Correlation coefficient, CC）構(gòu)成的行向量(CC,CC,...,CC)，可以使用歐式距離、皮爾遜相關(guān)系數(shù)、斯皮爾曼相關(guān)系數(shù)等多種相關(guān)性系數(shù)來對(duì)邊進(jìn)行構(gòu)造。

2.1.3 矩陣的構(gòu)造

在多元時(shí)間序列的傳感器數(shù)據(jù)中，處于同一個(gè)系統(tǒng)或具有物理關(guān)系的屬性間往往呈現(xiàn)出較強(qiáng)的相似性。計(jì)算各屬性間的相關(guān)性，可以得到不同的相關(guān)性矩陣，再將計(jì)算所得的多種相關(guān)系數(shù)矩陣合并成多維矩陣數(shù)組。

矩陣是圖的一種表達(dá)方式，在得到時(shí)序相關(guān)矩陣數(shù)組后，本文方法將矩陣數(shù)組轉(zhuǎn)換為圖數(shù)據(jù)。該圖為無向圖。

2.2 圖卷積神經(jīng)網(wǎng)絡(luò)

GCN 是一種面向圖結(jié)構(gòu)數(shù)據(jù)的多層前饋型神經(jīng)網(wǎng)絡(luò)，是一種有監(jiān)督的神經(jīng)網(wǎng)絡(luò)，一般由輸入層、卷積層、池化層、全連接層及輸出層構(gòu)成。矩陣是圖的一種表達(dá)方式，在得到時(shí)序相關(guān)矩陣數(shù)組后，本文方法將矩陣數(shù)組轉(zhuǎn)換為圖數(shù)據(jù)，所以可以基于GCN 生成水體質(zhì)量數(shù)據(jù)檢測(cè)模型。具體的，矩陣的行或列可以映射為圖中的節(jié)點(diǎn)，用第i 元數(shù)據(jù)在該時(shí)間序列上屬性值組成的向量表示，每條邊則用行或列之間的相關(guān)性向量表示。本文使用的模型仍采用有監(jiān)督學(xué)習(xí)方法，需要為圖數(shù)據(jù)賦一個(gè)標(biāo)簽。由于圖數(shù)據(jù)是由滑動(dòng)窗口內(nèi)的時(shí)序數(shù)據(jù)轉(zhuǎn)化而來的，因此圖數(shù)據(jù)是否異常取決于滑動(dòng)窗口內(nèi)時(shí)序數(shù)據(jù)是否異常，即時(shí)間窗口長度的時(shí)間內(nèi)是否存水污染。本節(jié)著重對(duì)本文方法所使用的卷積層，池化層和全連接層進(jìn)行介紹。

2.2.1 卷積層

卷積層的輸入數(shù)據(jù)是輸入層數(shù)據(jù)或上一層卷積或池化層的輸出數(shù)據(jù)。在卷積層中，每個(gè)節(jié)點(diǎn)通過聚合周圍節(jié)點(diǎn)的信息，來更新自身節(jié)點(diǎn)的信息。節(jié)點(diǎn)特征更新的函數(shù)為：

其中，A 代表鄰接矩陣，D 代表節(jié)點(diǎn)的度矩陣，I 為單位矩陣，H 為節(jié)點(diǎn)屬性矩陣，W 為可學(xué)習(xí)的參數(shù)矩陣，l 表示當(dāng)前網(wǎng)絡(luò)層數(shù)。

2.2.2 池化層

在卷積神經(jīng)網(wǎng)絡(luò)中通常會(huì)在相鄰的卷積層之間或在卷積層和全連接層之間加入一個(gè)池化層，池化層可以有效的縮小參數(shù)矩陣的尺寸，從而降低全連接層中的參數(shù)的數(shù)量。池化操作具有特征不變性，可以到達(dá)特征降維的目的，它能夠加快運(yùn)算速度，并一定程度上防止過擬合。本文方法在卷積層與全連接層之間加入全局均值池化層（Global Mean Pool，GMP）來進(jìn)行池化操作，其計(jì)算公式為：

其中，r 代表輸出，N 代表當(dāng)前圖中節(jié)點(diǎn)個(gè)數(shù)，x表示節(jié)點(diǎn)的特征矩陣。

2.2.3 全連接層

全連接層中的每個(gè)神經(jīng)元與其前一層的所有神經(jīng)元進(jìn)行全連接，它可以整合卷積層或池化層中具有類別區(qū)分性的局部信息。由于全連接層中每一個(gè)神經(jīng)元都與前一層神經(jīng)元全連接的特性，一般全連接層的參數(shù)也是最多的。

3 實(shí)驗(yàn)與分析

3.1 基于圖卷積神經(jīng)網(wǎng)絡(luò)的水體質(zhì)量異常檢測(cè)模型

本文所使用的基于圖卷積神經(jīng)網(wǎng)絡(luò)的水體質(zhì)量監(jiān)測(cè)模型包含三個(gè)部分。如圖2 所示，首先是輸入與卷積層，其中包含6 個(gè)卷積層（Convolutional Layer, Conv），每層的輸出通道數(shù)分別為64,64,64,128,128,128。第二部分為全局均值池化層，該模塊的主要功能是將不同樣本的特征映射到相同大小，將所提取的特征融合。最后，將池化后的特征匯入全連接層（Fully Connected Layer，F(xiàn)C）映射到樣本標(biāo)記空間后，輸出到Softmax 進(jìn)行分類預(yù)測(cè)。作為單分類任務(wù)，選取交叉熵?fù)p失函數(shù)作為該模型的訓(xùn)練損失函數(shù)。設(shè)置時(shí)間窗口的大小為5，學(xué)習(xí)率為0.01，批處理大小batch_size 設(shè)置為10，選用Adam 優(yōu)化器來對(duì)網(wǎng)絡(luò)參數(shù)進(jìn)行優(yōu)化。

圖2：圖卷積神經(jīng)網(wǎng)絡(luò)的基本流程

3.2 數(shù)據(jù)集描述

本文共使用兩種水體質(zhì)量數(shù)據(jù)集，分別是D1 和D2。

數(shù)據(jù)集D1 來自Kaggle。該數(shù)據(jù)集包含1992 條數(shù)據(jù)，是印度歷史水質(zhì)的綜合數(shù)據(jù)。數(shù)據(jù)集中每一項(xiàng)的污染物測(cè)量值是在一段時(shí)間內(nèi)測(cè)量的平均值，測(cè)量值包括溫度、水中溶解氧、pH 值、電導(dǎo)率、五日生化需氧量BOD及耐熱大腸菌群數(shù)。原始數(shù)據(jù)的來源為印度的政府官方網(wǎng)站。

數(shù)據(jù)集D2 來自Kaggle。該數(shù)據(jù)集包含2862 條數(shù)據(jù)，是南布格河（Pivdennyi Booh）的水質(zhì)數(shù)據(jù)。觀測(cè)者在水域周圍部署了22 個(gè)水監(jiān)測(cè)系統(tǒng)站點(diǎn)，數(shù)據(jù)的采集頻率為每月或每季度且各個(gè)站的觀測(cè)次數(shù)不同。所監(jiān)測(cè)的數(shù)據(jù)項(xiàng)包括NH、五日生化需氧量BOD、懸浮物、O、NO、SO、PO及Cl。

3.3 實(shí)驗(yàn)結(jié)果及對(duì)比分析

將 3.1 節(jié)所描述的圖卷積神經(jīng)網(wǎng)絡(luò)模型應(yīng)用于水體質(zhì)量數(shù)據(jù)集的測(cè)試集以驗(yàn)證模型效果。采用三種算法作為評(píng)估本文所述模型有效性的對(duì)照算法，分別是梯度提升決策樹（Gradient Boosting Decision Tree, GBDT）、XGBoost 和K最鄰近算法（K-Nearest Neighbor, KNN）。

GBDT：GBDT 是一種迭代式的決策樹算法，該算法在實(shí)現(xiàn)時(shí)由多顆決策樹組成，最終的結(jié)果是將算法中所有用到的決策樹中的結(jié)果做累加所得到的，是一種泛化能力較強(qiáng)的算法。GBDT 中的樹是回歸樹，可以用來進(jìn)行分析預(yù)測(cè)，經(jīng)調(diào)整后也可以用于分類。

XGBoost：XGBoost 是經(jīng)過優(yōu)化的分布式梯度提升庫，是大規(guī)模并行提升樹的工具。XGBoost 的實(shí)現(xiàn)是基于提升樹的，是對(duì)提升樹算法的改進(jìn)。

KNN：K 最鄰近算法的思路非常直觀，即如果一個(gè)樣本在特征空間中的K 個(gè)最相似的樣本中的大多數(shù)都同屬于某一個(gè)類別，則該樣本也屬于這個(gè)類別。該方法在決策時(shí)只依據(jù)最鄰近的幾個(gè)樣本的類別來決定該樣本所屬的類別。該算法的不足之處是計(jì)算量較大。

使用準(zhǔn)確率（Precision）作為模型分類效果的評(píng)價(jià)指標(biāo)。在D1 數(shù)據(jù)集和D2 數(shù)據(jù)集上進(jìn)行多次實(shí)驗(yàn)得到的結(jié)果如圖3 所示。

圖3：于數(shù)據(jù)集D1 和D2 上進(jìn)行多次實(shí)驗(yàn)的準(zhǔn)確率結(jié)果

由圖3 中的實(shí)驗(yàn)結(jié)果可知，本文方法在上述的兩個(gè)數(shù)據(jù)集上進(jìn)行驗(yàn)證時(shí)，準(zhǔn)確率最高可到達(dá)97%，大幅度高于KNN 算法。從平均水平上來說，本文方法相比GBDT 提升了3%，相比于XGBoost 提升了4%，而相比于KNN 提升了14%。

4 結(jié)語

本文提出基于圖卷積神經(jīng)網(wǎng)絡(luò)的水體質(zhì)量監(jiān)測(cè)方法。首先，將監(jiān)測(cè)水污染的多傳感器系統(tǒng)時(shí)序數(shù)據(jù)轉(zhuǎn)化為矩陣數(shù)據(jù)，并映射為圖卷積神經(jīng)網(wǎng)絡(luò)能夠識(shí)別的圖數(shù)據(jù)，之后計(jì)算數(shù)據(jù)中各屬性間的相關(guān)性，最后將圖數(shù)據(jù)輸入圖卷積神經(jīng)網(wǎng)絡(luò)，通過不斷調(diào)節(jié)網(wǎng)絡(luò)參數(shù)，得到最合適的模型，在測(cè)試集上進(jìn)行了驗(yàn)證并與對(duì)照算法進(jìn)行了對(duì)比分析。本文方法考慮了多源時(shí)間序列數(shù)據(jù)中各維度數(shù)據(jù)之間的相關(guān)性，具有較強(qiáng)的泛化性，能夠避免了噪聲數(shù)據(jù)對(duì)分析結(jié)果帶來的影響。通過在數(shù)據(jù)集上進(jìn)行驗(yàn)證，本文方法具有較高的準(zhǔn)確率。在應(yīng)用圖卷積神經(jīng)網(wǎng)絡(luò)后，水體質(zhì)量監(jiān)測(cè)不再局限于對(duì)水體質(zhì)量監(jiān)控指標(biāo)進(jìn)行預(yù)測(cè)的方式。然而，目前的研究?jī)H局限于對(duì)水污染問題的分析，接下來會(huì)展開更廣泛的研究，以期應(yīng)用該模型在其他領(lǐng)域上同樣能取得較好的結(jié)果。