Methode voor detectie van waterkwaliteitsanomalie op basis van aandachtsgestuurd vloeibaar neural netwerk

Samenvatting

Deze studie stelt een Attention-Gated Liquid Neural Network voor voor het detecteren van waterkwaliteitsanomalieën, dat superieure nauwkeurigheid en interpreteerbaarheid bereikt door continue tijdsmodellering en aandachtgebaseerde gating, waardoor de betrouwbaarheid van milieumonitoring wordt verbeterd en duurzaam waterbeheer wordt ondersteund.

Samenvatting

Met de snelle uitbreiding van watermonitoringsnetwerken is het detecteren van tijdreeksafwijkingen steeds belangrijker geworden om aquatische omgevingen te beschermen en hun duurzame beheer te waarborgen. Conventionele modellen hebben echter vaak moeite met onregelmatige steekproefintervallen, multivariate correlaties en interpreteerbaarheid in praktische toepassingen. Om deze uitdagingen aan te pakken, stelt deze studie een Attention Gated-Liquid Neural Network (AG-LNN) voor dat de dynamische modelleringsmogelijkheden van het Liquid Neural Network (LNN) integreert met aandachtgebaseerde gatingmechanismen. Het model introduceert een input-attention gate om anomalie-relevante variabelen zoals opgeloste zuurstof (DO) en de Permanganaat Index (COD_Mn) te benadrukken, en een tijdconstante gate die het temporele geheugen van het model adaptief aanpast. Met behulp van gegevens van het China National Environmental Monitoring Center (CNEMC), verzameld tussen 2019 en 2024 in 13 provincies, toonde AG-LNN superieure prestaties ten opzichte van basismodellen, waaronder Long Short-Term Memory (LSTM), Temporal Convolutional Network (TCN), Transformer en Graph Neural Network (GNN) architecturen. Het bereikt een Precision-Recall Area Under Curve (PR-AUC) van 0,95 en een F1-score van 0,90, terwijl stabiliteit behouden blijft onder cross-region en temporele evaluaties. Een compacte versie, AG-LNN-light, verlaagt de parameters met 62% met minimaal nauwkeurigheidsverlies, waardoor efficiënte randuitrol mogelijk is. De resultaten bevestigden dat aandachtgebonden continu-tijdmodellering een robuuste en interpreteerbare benadering biedt voor grootschalige detectie van waterkwaliteitsanomalieën.

Inleiding

Waterkwaliteitsmonitoring is essentieel voor de bescherming van de volksgezondheid, het behouden van aquatische ecosystemen en het waarborgen van naleving van milieuregelgeving. Traditionele waterkwaliteitsmodellen, zoals het Soil and Water Assessment Tool (SWAT), het mechanistische QUAL-model en statistische voorspellingsmethoden, worstelen vaak om de sterk niet-lineaire, multivariate en tijdelijk onregelmatige aard van watersystemen die gelijktijdig worden beïnvloed door chemische, biologische, hydrologische en meteorologische factoren^{vast te} leggen 1,2,3,4,5,6 . Daarom blijft het verbeteren van de detectie van afwijkingen in waterkwaliteitsgegevens een dringende uitdaging.

In praktische termen is het voorgestelde kader ontworpen voor multi-parameter waterkwaliteitsmeetnetwerken die variabelen meten zoals waterstofpotentiaal (pH), opgeloste zuurstof (DO), totale stikstof (TN), totale fosfor (TP) en permanganaatindex (COD_Mn), troebelheid en geleidbaarheid, met typische bemonsteringsintervallen variërend van 15 tot 60 minuten. Dit model tolereert onregelmatige bemonstering en ontbrekende waarnemingen, waardoor het geschikt is voor inzet in de praktijk in oppervlaktewater- en reservoirmonitoringsystemen.

Toepassing van machine learning bij het opsporen van waterkwaliteitsanomalieën

In de afgelopen jaren hebben machine learning (ML) en deep learning (DL) methoden aan populariteit gewonnen voor toepassingen in waterkwaliteit. Zo introduceerden Wang et ^al.7 een Long Short-Term Memory Autoencoder with Attention (LSTMA-AE) gecombineerd met mechanistische beperkingen om de nauwkeurigheid te verbeteren en valse alarmen bij het detecteren van afwijkingen van waterinjectiepompen te verminderen, waarmee aanzienlijk betere prestaties werden behaald dan de interpolatie-, random forest- of LSTM-AE-methoden.

Evenzo stelden Zhao et ^al.8 een Gated Recurrent Unit with Physics-Informed Neural Network (GRU-PINN) model voor dat fysieke beperkingen in de verliesfunctie integreert, wat de interpreteerbaarheid en de F1-score bij het detecteren van waterkwaliteitsanomaliën aanzienlijk verhoogt. ElShafeiy et ^al.9 ontwikkelden een Multivariate Convolutional Network-LSTM (MCN-LSTM) architectuur, die Multivariate Convolutionele Netwerken combineert met LSTM voor realtime detectie van anomalieën in waterkwaliteitssensorgegevens, waarmee verbeterde detectiemogelijkheden in veldomgevingen worden getoond. Een andere vooruitgang is het Gated-Liquid Neural Network (Gated-LNN) model¹⁰, dat gatingmechanismen samenvoegt in Liquid Neural Networks om de Water Quality Index (WQI) nauwkeurig te voorspellen en waterkwaliteit te classificeren, met een R² ≈ 0,9995 en een classificatienauwkeurigheid van 99,74% op Indiase datasets.

Detectie van tijdreeksanomalieën

Naast DL-specifieke toepassingen heeft de detectie van tijdreeks-anomaliën een snelle ontwikkeling doorgemaakt in diverse domeinen. Detectie van tijdreeks-anomalieën is een belangrijke techniek geworden om de monitoring van waterkwaliteit en vroegtijdige waarschuwing te verbeteren. Traditionele statistische methoden slagen er vaak niet in de niet-lineaire en dynamische kenmerken van waterkwaliteitsgegevens vast te leggen, wat leidt tot de toepassing van deep learning-modellen. Zo combineerden Zhang et ^al.11 Empirische Modusontbinding (EMD) met LSTM om niet-stationaire signalen beter te verwerken, wat de voorspellingsnauwkeurigheid van Chemische Zuurstofvraag (COD), Biochemische Zuurstofvraag (BOD₅), Totale Fosfor (TP), Totale Stikstof (TN) en Ammoniakstikstof (NH₃-N) aanzienlijk verbeterde. Hierop voortbouwend stelden Wang et ^al.12 een op LSTM gebaseerde fluctuatieanalysemethode voor met behulp van Approximate Entropy, die de realtime prestatie voor het detecteren van anomalieën verbetert.

Recente ontwikkelingen hebben de nadruk gelegd op aandachtsmechanismen en hybride kaders. Arepalli et ^al.13 introduceerden een lichtgewicht ruimtelijk gedeelde aandacht LSTM voor hypoxiedetectie in aquacultuur, met een nauwkeurigheid van 99,8%, terwijl Zhang et ^al.14 aantoonde dat ruimtelijke en temporele aandacht de CNN-LSTM-voorspelling van opgeloste zuurstof (DO) en NH₃-N significant verbeterde. Evenzo integreerden Long et ^al.15 Complete Ensemble Empirical Mode Decomposition met Adaptive Noise-Variational Mode Decomposition (CEEMDAN-VMD) met attention-enhanced LSTM, waarmee Nash-Sutcliffe Efficiency (NSE) waarden tot 0,99 over meerdere indicatoren werden bereikt. Op toepassingsniveau demonstreerden Xie et ^al.16 een mobiel LSTM-sequence-to-sequence (Seq2Seq) systeem voor operationele, realtime voorspelling van waterkwaliteit over rivierbekkens.

Over het geheel genomen benadrukken deze studies een duidelijke trend in LSTM-gebaseerde baselines, aandacht-versterkte hybride modellen en toepassingen op systeemniveau. Hoewel de nauwkeurigheid aanzienlijk is verbeterd, blijven er uitdagingen op het gebied van interpreteerbaarheid, robuustheid onder ruisachtige omstandigheden en generalisatie over diverse monitoringnetwerken.

Toepassing van grafneurale netwerken en ruimte-temporele modellen in milieumonitoring

Graph neurale netwerken (GNN's) en ruimtelijke en temporele deep learning-modellen hebben recentelijk aanzienlijk potentieel aangetoond in milieumonitoring door zowel ruimtelijke correlaties tussen monitoringlocaties als temporele afhankelijkheden in waterkwaliteitsdynamiek vast te leggen. Zo stelden Wu et ^al.17 een voortrainingsversterkt Spatio-Tempooral Graph Neural Network (PT-STGNN) voor afvalwaterzuiveringsinstallaties, waarbij transformator-gebaseerde pre-training en grafstructuurleer worden geïntegreerd om de langetermijnvoorspelling van COD, NH₃-N, TP, TN, pH en debiet te verbeteren. Evenzo ontwikkelden Wan et ^al.18 een Spatio-Tempooral Feature GNN (STF-GNN) die grafconvolutie, GRU en aandachtmechanismen combineerde, waardoor de voorspellingen van opgeloste zuurstof (DO) en TN aanzienlijk verbeterden en robuuste generalisatie tussen bekkens werden aangetoond.

Hybride frameworks zijn verder gekomen dan puur datagedreven ontwerpen om generalisatie te verbeteren. Mu et ^al.19 introduceerden het spatiotemporale graph physics-informed neural network (ST-GPINN), dat hydraulische principes inbed in Graph Neural Network (GNN)-gebaseerde modellen voor waterdistributiesystemen. Door grafiekrepresentaties te koppelen aan fysica-geïnformeerde beperkingen, bereikt ST-GPINN state-of-the-art nauwkeurigheid terwijl het effectief schaalt van kleine naar grote netwerken. Samen benadrukken deze studies de groeiende rol van ruimtelijk-temporele GNN's in milieumonitoring, bevorderen ze voorspellende nauwkeurigheid, interpreteerbaarheid en robuustheid, en leggen ze de basis voor intelligente waterbeheersystemen van de volgende generatie.

Voordelen en potentieel van vloeibare neurale netwerken

Liquid Neural Networks (LNN's), ook bekend als Liquid Time-Constant netwerken, modelleren continu-tijdsdynamiek uniek met behulp van input-afhankelijke, leerbare tijdconstanten. Hasani et ^al.20 introduceerden LNN's en toonden hun expressieve kracht, stabiliteit en efficiëntie in tijdreekstaken aan. Hun door hersenen geïnspireerde aanpassingsvermogen maakt hen veelbelovende kandidaten voor het modelleren van dynamische omgevingsfenomenen zoals waterkwaliteit, maar hun integratie met aandachtsmechanismen blijft onderbelicht.

Aandachtsmechanismen, vooral aandachtspoorten, zijn krachtige hulpmiddelen om zich te richten op relevante kenmerken en interpreteerbaarheid mogelijk te maken. Hoewel het veel wordt gebruikt in medische beeldvorming, legt Attention U-Net een basis voor selectieve feature-verfijning via leerbare aandachtspoorten. Er is ook aandacht besteed aan sensorgebaseerde anomaliedetectie-frameworks, zoals LSTMA-AE⁷ en GRU-PINN⁸, waarmee de gevoeligheid voor kritieke patronen wordt verbeterd en de transparantie van het model wordt verbeterd.

Gezamenlijk wijzen deze observaties op de noodzaak van een hybride architectuur die continu-tijd-adaptabiliteit synergieërt met interpreteerbare aandachtsmechanismen. Daarom stellen wij een Attention-Gated Liquid Neural Network (AG-LNN) voor dat de dynamische modelleringsmogelijkheden van Liquid Neural Networks (LNN's) integreert met aandachtspoorten die zich richten op belangrijke inputs of temporele segmenten. Deze architectuur is bedoeld om de robuustheid tegen sensorruis en onregelmatige bemonstering te vergroten, de gevoeligheid voor kortdurende anomalieën te vergroten en interpreteerbaarheid te bieden via aandachtsheatmaps en adaptieve tijdconstante trajecten. De AG-LNN werd geëvalueerd op realistische multivariate waterkwaliteitsdatasets en vergeleken met LSTM, Transformer, pure LNN en traditionele ML-baselines. Zowel kwantitatieve (Precisie, Terugroepen, F1, AUC) als kwalitatieve (aandachtsvisualisaties, tijdconstantedynamiek) analyses toonden de effectiviteit en transparantie van het voorgestelde model aan.

Protocol

OPMERKING: De algemene werkwijze van deze studie is weergegeven in Figuur 1.

1. Dataverzameling

1. Identificatie van gegevensbronnen
   1. Verkrijg gegevens over waterkwaliteit tijdreeksen uit de openbare database (https://www.cnemc.cn/sssj/ van het China National Environmental Monitoring Center (CNEMC). Haal continue monitoringsgegevens op nationaal niveau op voor grote meren en reservoirs in China. Belangrijke fysisch-chemische indicatoren waren onder andere pH, opgeloste zuurstof (DO), totale fosfor (TP), totale stikstof (TN), permanganatindex (COD_Mn), troebelheid (NTU) en elektrische geleidbaarheid (EC).
   2. Zorg ervoor dat de bijbehorende metadata, zoals monitoringstijd, operationele status van het station en waterkwaliteitsclassificatie (Klasse I-V), zijn opgenomen in de gedownloade dataset.
2. Dataset-opvraging en bestandsspecificatie
   1. Verseker de reproduceerbaarheid van gegevens door de verwerkte dataset te consolideren en te delen onder de bestandsnaam cnemc_data_2019_2024. CSV. Het bestand in de Baidu Cloud-repository (https://pan.baidu.com/s/1ZXYxkCZAnx7tiOHJhuJ2Qg?pwd=u97h) maakt openbare toegang en verificatie van alle experimenten mogelijk.
   2. Neem monitoringgegevens op van 13 provincies (Guangdong, Hubei, Jiangsu, Zhejiang, Anhui, Fujian, Jiangxi, Henan, Sichuan, Guizhou, Liaoning, Heilongjiang en Jilin) om representatieve dekking te garanderen over diverse hydrologische en klimatologische zones van Noord, Zuid, Oost, West en Plateau.
   3. Ken een gelijk aantal monitoringsrecords toe aan elke provincie, wat resulteert in een totaal van 1.832 vermeldingen die tussen januari 2019 en december 2024 zijn verzameld. Label elk station met provincie-gebaseerde identificaties (bijv. GD001 voor Guangdong, HB001 voor Hubei). Voor elk record worden beschrijvende eigenschappen opgenomen zoals bekken, waterbody_type (meer of reservoir) en seizoen (lente, zomer, herfst of winter, afgeleid van de bemonsteringstijd).
   4. Voeg optionele geolocatievelden (lengtegraad en breedtegraad) toe om ruimtelijke analyse en reproduceerbaarheid te vergemakkelijken. Volledige velddefinities, datatypes en eenheden gebruikt in cnemc_2019_2024. De CSV-waarden worden samengevat in Tabel 1.

2. Variabeleselectie en labeling

1. Variabeleselectie
   1. Selecteer variabelen die de meest vaak gecontroleerde fysisch-chemische parameters van oppervlaktewater vertegenwoordigen, zodat ecologische relevantie en gevoeligheid voor vervuiling of milieuverstoringen worden gegarandeerd. Neem specifiek de volgende indicatoren op:
      pH, die de zuur-basebalans van water weerspiegelt en de biologische activiteit en chemische oplosbaarheid beïnvloedt
      Opgeloste zuurstof (DO), een directe indicator voor de gezondheid van aquatische ecosystemen en organische vervuiling
      Totale fosfor (TP) en totale stikstof (TN), twee belangrijke voedingsstoffen die verband houden met eutrofiëringsprocessen
      Permanganaat Index (COD_Mn), die het oxideerbare organische materiaal vertegenwoordigt en een indirecte maatstaf is voor organische vervuiling
      Troebelheid (Tur), die zwevende deeltjes en sedimentbelasting weerspiegelt
      Elektrische geleidbaarheid (EC), die de concentratie van opgeloste ionen en de algehele zoutgehalte aangeeft.
   2. Selecteer deze variabelen niet alleen vanwege hun routinematige beschikbaarheid bij CNEMC-meetstations, maar ook vanwege hun aangetoonde relevantie in eerdere studies 10,11,14,17 over waterkwaliteitsbeoordeling en afwijkingsdetectie.
2. Labelstrategie
   1. Definieer anomalielabels ter ondersteuning van modeltraining en evaluatie. Pas een dual-labelingstrategie toe die de twee complementaire benaderingen combineert.
   2. Regelgeving of op experts gebaseerde etikettering: Adopteer officieel gedocumenteerde of geannoteerde abnormale gebeurtenissen (bijv. plotselinge lozingen van verontreinigende stoffen, algenbloei of instrumentstoringen) van de toezichthoudende autoriteit als afwijkingen in de grondwaarheid.
   3. Datagedreven zwakke labeling: Leid afwijkingen af voor het monitoren van intervallen zonder expliciete expert-annotaties rechtstreeks uit de CNEMC multivariate tijdreeksdataset door een statistisch geleid, seizoensbewust zwak labelingkader toe te passen.
   4. Structureer dit proces in drie hoofdcomponenten: het uitvoeren van seizoensgebonden normalisatie, het toepassen van quantielgebaseerde deviatiedetectie en het versterken van de resultaten door residugebaseerde evaluatie.
      1. Seizoensnormalisatie: Normaliseer seizoenseffecten voor elke variabele x_i,t (bijv. DO, COD_Mn, TP, TN, troebelheid) met behulp van het expliciete seizoensveld (lente, zomer, herfst, winter) dat in de CNEMC-dataset wordt verstrekt. Standardiseer elke variabele binnen de bijbehorende seizoensbundige subset, zoals weergegeven in Vergelijking (1).
         (1)
         waarbij μ_i^(s) en σ_i^(s) het gemiddelde en de standaarddeviatie zijn van variabele i tijdens seizoen s. Deze normalisatie compenseert systematische seizoensverschuivingen zoals verminderde DO in de zomer of verhoogde COD_Mn tijdens het regenseizoen, waardoor vergelijkbaarheid tussen seizoenen wordt gegarandeerd.
      2. Kwantielgebaseerde zwakke labeling: Na normalisatie identificeer je anomalieën door robuuste kwantieldrempels toe te passen die voor elke variabele binnen hetzelfde seizoen en dezelfde provinciegroep zijn berekend, zoals weergegeven in Vergelijking (2).
         (2)
         waarbij Q_p (⋅) de p-de kwantieloperator is, en de onderste en bovenste kwantieldrempels (1e en 99e percentiel) voor variabele i in seizoen s. Merk een datapunt als anomalistisch als het deze grenzen overschrijdt, zoals weergegeven in Vergelijking (3).
         (3)
         Deze stap houdt adaptief rekening met regionale en seizoensverschillen, waardoor valse detecties veroorzaakt door natuurlijke hydrologische fluctuaties worden voorkomen.
      3. Residu-gebaseerde versterking: Stel een voortschrijdende 15-daagse mediane basislijn vast om abrupte kortetermijnafwijkingen te detecteren die kwantieldrempels kunnen missen, zoals uitgedrukt in Vergelijking (4).
         (4)
         waarbij_I,T de residuele afwijking is van variabele i op tijdstip t, mediaan(x_i,t-15:t+15) de 15-daagse rollende mediane basislijn rond t. Merk een datapunt als een residuanomalie als de absolute residu drie keer de seizoensstandaarddeviatie overschrijdt (|r_i,t| > 3σ_i^(s)). Deze residuele versterking ving effectief de tijdelijke pieken op die werden veroorzaakt door verontreinigende uitstoot, regenval of tijdelijke sensorfouten.
      4. Gecombineerde weak-label beslissing: Fuse zowel quantielgebaseerde als residu-gebaseerde anomalie-indicatoren om een binair zwak label y_t toe te wijzen, zoals gedefinieerd in Vergelijking (5).
         (5)
         waarbij y_t=1 aangeeft dat ten minste één parameter anomalistisch gedrag vertoont op tijdstip t, y_t = 0 duidt normale waarnemingen over alle parameters aan.
         Genereer een set datagedreven zwakke annotaties over alle 13 provincies en vijf klimaatregio's in de CNEMC-dataset met behulp van de gecombineerde labelprocedure. Integreer deze labels in betrouwbaarheidsgewogen leren door een betrouwbaarheidsgewicht van 0,7 toe te kennen aan zwakke labels ten opzichte van door experts geverifieerde annotaties met een gewicht van 1,0.
   5. Proportie van annotatietypen
      1. Gebruik ongeveer 42% van de door experts geverifieerde annotaties afkomstig van officiële milieurapporten, en 58% zwakke annotaties die zijn gegenereerd uit continue monitoringsgegevens. Pas een heuristische fusie toe van z-score drempelwaarden en seizoensgebonden trenddecompositie (STL) om potentiële anomalieën in multivariate waterkwaliteitstijdreeksen te detecteren. De gekozen annotatieverhoudingen worden gevalideerd door experimenten gepresenteerd in sectie 5.1 (Effect van annotatieratio) van het Resultatengedeelte. Deze resultaten bevestigen dat er een empirisch optimale balans bestaat rond een 40:60 expert-zwakke verhouding, wat consistent is met de daadwerkelijke samenstelling van de dataset.
   6. Validatie van zwakke annotatienauwkeurigheid
      1. Zorg voor de betrouwbaarheid van zwak geannoteerde monsters door een willekeurige subset van 800 zwak gelabelde gevallen te vergelijken met milieuexperts. Noteer het overeenkomstpercentage tussen zwakke annotaties en deskundige beoordelingen, dat ongeveer 87,5% zou moeten bereiken. Verwijder monsters met een laag anomalievertrouwen (< 0,6) of onenigheid met de expertvalidatieset uit de trainingsdata.
      2. Houd de behouden zwakke annotaties effectief bij boven de 90%. Onderzoek de betrouwbaarheid van zwakke annotaties en hun invloed op modelprestaties, waarbij gecontroleerde experimenten bevestigen dat het behouden van zwakke labelnauwkeurigheid boven 90% effectief trainingsbias voorkomt en stabiel voorspellend gedrag waarborgt.
   7. Bias-mitigatie
      1. Pas tijdens de training een vertrouwenswogen leerstrategie toe om mogelijke vooringenomenheid door zwakke annotaties te beperken. Definieer de verliesfunctie zoals weergegeven in Vergelijking (6).
         (6)
         waarbij y_i∈{0,1} het grondwaarheidslabel van de i-de steekproef aanduidt, p_i de voorspelde kans van het model vertegenwoordigt, w_i het gewicht dat aan elke steekproef wordt toegekend, en N het totale aantal steekproeven.
      2. Bepaal het steekproefgewicht w_i op basis van de bron en het betrouwbaarheidsniveau van het label, zoals getoond in Vergelijking (7).
         (7)
         Hier duidt c_i∈[0,1] de betrouwbaarheidsscore van de i-de annotatie aan, en α,β zijn respectievelijk de globale wegingscoëfficiënten voor expert- en zwakke labels. Empirische analyse toonde aan dat het instellen van α=1,0 en β=0,7 de beste afweging bereikt tussen prestaties en stabiliteit, omdat deze weging effectief restruis van zwakke labels onderdrukt terwijl er voldoende bijdrage uit hun bredere dekking behouden blijft.
      3. Selecteer zeven fysisch-chemische parameters (pH, DO, TP, TN, COD,_Mn, Tur, en EC) als kernvariabelen voor het opsporen van anomalieën. Gebruik deze indicatoren om de nutriëntenstatus, organische vervuiling, zuurstofbeschikbaarheid en ionensamenstelling van oppervlaktewater volledig weer te geven. Geef een gedetailleerde beschrijving van elke variabele.

3. Kwaliteitscontrole en voorverwerking van gegevens

1. Stel een hiërarchische datakwaliteitscontrole en preprocessingpijpleiding op om de betrouwbaarheid en modelleertoepassing van multi-source waterkwaliteitsmonitoringgegevens te waarborgen. Voer tijduitlijning sequentieel uit, ontbrekende waarde-imputatie, afwijkingsdetectie, schaalnormalisatie en raammonsterconstructie uit. Selecteer en combineer dynamisch geschikte methoden op basis van de specifieke kenmerken van de data.
2. Tijduitlijning en herbemonstering: Lijn alle sequenties van het monitoringstation uit op een uniforme tijdresolutie van 15 minuten om rekening te houden met niet-gesynchroniseerde tijdstempels. Voor onregelmatig bemonsterde punten passen we lineaire interpolatie toe tussen aangrenzende waarnemingen volgens Vergelijking (8). Zorg ervoor dat de volgende venstersamples worden opgebouwd op een consistent temporeel raster.
   (8)
3. Ontbrekende waardeverwerking
   1. Categoriseer ontbrekende waarden op basis van de lengte van opeenvolgende gaps in kortetermijnontbrekende (<6 opeenvolgende punten, d.w.z. <1,5 uur) en langetermijnontbrekende (≥6 opeenvolgende punten), en er werden dienovereenkomstig verschillende strategieën toegepast.
   2. Pas Kalman-filtering en smoothing toe om dynamische schattingen uit te voeren voor langetermijnontbrekende intervallen (≥ 6 opeenvolgende punten). Modelleer elke waterkwaliteitsvariabele x_t (bijv. DO, TN, COD_Mn) met behulp van een discrete lineaire toestandsruimteformulering, zoals getoond in
      Vergelijkingen (9) tot (11).
      (9)
      (10)
      (11)
      waarbij x_t de latente (ware) toestand van de waterkwaliteitsvariabele op tijdstip t is, y_t de overeenkomstige waargenomen waarde is; A is de toestandsovergangscoëfficiënt (empirisch ingesteld op 0,95) om een hoge temporele correlatie in 15-minuten waarnemingen te weerspiegelen, H is de observatiematrix (gesteld op 1 voor directe metingen), w_t ∼ N(0,Q) en v_t ∼ N(0,R) zijn respectievelijk het nulgemiddelde Gaussische proces en de meetruis; Q = (0,05σ_x)² en R=(0,10σ_x)², waarbij σ_x de standaarddeviatie van de variabele is binnen een schuifvenster van 7 dagen.
   3. Stel het filter zo in dat het gevoelig blijft voor kortetermijnvariabiliteit, terwijl willekeurige meetruis wordt onderdrukt. Initialiseer de begintoestand met behulp van de eerste beschikbare niet-ontbrekende observatie en stel de initiële covariantie P_0|0 in op . Verwijder het hele segment als het ontbrekende interval meer dan 24 uur (96 records) bedraagt om foutophoping door langdurige extrapolatie te voorkomen.
4. Anomaliedetectie en -correctie
   1. Identificeer en corrigeer anomalieën in twee opeenvolgende stappen: harde beperkingen (fysieke limieten) en zachte beperkingen (gradiëntlimieten en quantielwinsorisatie).
      1. Harde beperkingen (fysische limieten): Vermijd metingen die buiten fysiek plausibele bereiken vallen (bijv. pH∉[0,14],DO>20 mg/L).
      2. Zachte beperkingen (gradiëntlimieten + kwantielwinsorisatie): Merk een datapunt als verdacht als de absolute veranderingssnelheid tussen twee opeenvolgende waarnemingen een empirisch gedefinieerde gradiëntdrempel overschrijdt |x_t - x_t-1 | > θ. Stel θ=3σ_x ^Δt-1, waarbij σ x de standaardafwijking van de variabele over een 24 uur schuifvenster aanduidt, en Δt = 15 min het bemonsteringsinterval vertegenwoordigt. Correcteer extreme waarden met behulp van een Winsorisatieprocedure, zoals uitgedrukt in Vergelijking (12).
         (12)
         waarbij Q_α en Q_1-α respectievelijk de 1% en 99% aanduiden.
         De procedure elimineert eerst onmogelijke waarden via harde beperkingen, markeert vervolgens abnormale waarnemingen op basis van gradiëntdrempels, en gladst tenslotte de resterende afwijkingen met behulp van kwantielgebaseerde winsorisatie. Deze hiërarchische aanpak zorgde voor zowel de fysieke geldigheid als de statistische stabiliteit van de opgeschonde dataset.
5. Normalisatie
   1. Verschillende waterkwaliteitsindicatoren hebben verschillende eenheden en waarden. Om schaalverschillen te elimineren en te voorkomen dat bepaalde variabelen het modeltrainingsproces domineren, pas z-score normalisatie toe.
6. Constructie van raammonsters
   1. Transformeer de tijdreeks in vaste-lengte schuifvenstersamples om de temporele afhankelijkheden te behouden. Gegeven vensterlengte W en stapgrootte S, construeren we de invoermonsters volgens Vergelijking (13).
        (13)
      Stel W=96 in (d.w.z. 24 uur met een interval van 15 minuten) en S=1 om monsters sequentieel te genereren met een punt-voor-punt schuifvenster.

4. Aandachtsgestuurd Vloeibaar Neuraal Netwerk (AG-LNN)

OPMERKING: De algemene architectuur van het voorgestelde Attention-Gated Liquid Neural Network (AG-LNN) is geïllustreerd in Figuur 2. Het model integreert multisource waterkwaliteitsinvoer, een op aandacht gebaseerd gatingmechanisme, een LNN met adaptieve tijdconstanten en een uitlees-decoderingsfase met interpreteerbaarheidsoutput. Dit ontwerp stelt het netwerk in staat om complexe temporele afhankelijkheden dynamisch vast te leggen, terwijl het robuust blijft tegen ruis en niet-uniforme bemonstering.

1. Multi-source inputlaag: Zie het meest linkse deel van Figuur 2 om de multi-source waterkwaliteitsmonitoringsgegevens {x_τ} te visualiseren, waarbij elke vector x_τ∈R^{C metingen} van C fysisch-chemische variabelen (bijv. pH, DO, TN, TP,_{COD Mn}, troebelheid, EC) op tijd τ weergeeft. Segmenteer de invoerreeksen in schuifvensters van vaste lengte van grootte W, zoals geformuleerd in Vergelijking (14).
   (14)
2. Invoer-aandachtpoort: Pas een aandachtspoort toe, zoals geïllustreerd in het linkeronderblok van Figuur 2, om informatieve variabelen te benadrukken en ruisachtige fluctuaties te onderdrukken. Bereken de aandachtsgewichten volgens Vergelijking (15).
   (15)
   waarbij α_τ kanaalniveau-belang op tijd τ aanduidt. Dit mechanisme zorgt ervoor dat variabelen die sterk gecorreleerd zijn met abnormale veranderingen (bijv. DO en COD_Mn) grotere gewichten krijgen.
3. Tijdconstante poort
   1. Moduleer de vloeistoftijdconstante met behulp van het geaggregeerde aandachtssignaal, zoals geïllustreerd in het bovenste blok van Figuur 2, en formuleer deze volgens Vergelijking (16).
      (16)
      waarbij_λ-basis de basistijdconstante is die het intrinsieke geheugen van elke vloeibare neuron aanstuurt; duidt het gemiddelde aandachtsgewicht over C-kanalen op tijdstap τ aan; β is een gevoeligheidscoëfficiënt die bepaalt hoe sterk aandacht de temporele responsiviteit beïnvloedt.
   2. Wanneer hoog is, neemt λ_τ af, waardoor het netwerk zijn respons versnelt en kortstondige anomalieën beter vastlegt. Leg gebonden beperkingen op λ_τ om de training te stabiliseren.
   3. Zorg voor numerieke stabiliteit en voorkom exploderende of verdwijnende dynamiek door gebonden beperkingen op te leggen aan de tijdconstante λ_τ. Set λ_τ ∈ [λ_{min,λ max}] = [0.5,2.0]. Knip alle waarden buiten dit bereik tijdens de training tot de dichtstbijzijnde grens om gecontroleerd adaptief gedrag onder wisselende omgevingsomstandigheden te behouden. Het instellen van λ = 1,0 levert optimale precisie en convergentiestabiliteit op.
4. Vloeibare neurale laag
   1. Gebruik een Liquid Neural Network (LNN) om continu tijdsmodellering van de tijdreeks uit te voeren, en druk de dynamische formulering uit zoals weergegeven in Vergelijking (17).
      (17)
      waarbij ḣ(t) de verborgen toestandsvector aanduidt; λ(⋅) vertegenwoordigt de leerbare tijdconstante, gemoduleerd door aandacht; σ(∙) is de niet-lineaire activatiefunctie (ReLU); A en B zijn leerbare gewichtmatrices; x̃(t) is de genormaliseerde invoervector; B is de bevooroordeelde term. Deze vergelijking zorgt ervoor dat de netwerkdynamiek zich ontwikkelt met zowel invoer als toestanden, terwijl de tijdconstante λ(⋅) leerbaar en contextafhankelijk blijft.
   2. Voor numerieke berekening gebruik je de expliciete Euler-integratiemethode voor discretisatie, zoals weergegeven in Vergelijking (18).
      (18)
      Hier vertegenwoordigt Δ_τ de discrete tijdstap (integratieinterval) tussen opeenvolgende waarnemingen, berekend met behulp van Vergelijking (19).
      Δ_τ=(t_τ - t_τ-1)/T_norm (19)
      waarbij t_τ en t_τ-1 de tijdstempels (in minuten) van opeenvolgende metingen zijn en T_norm = 15 min overeenkomt met de nominale bemonsteringsperiode in de CNEMC-monitoringsgegevens. Dus Δ_τ = 1 voor regelmatige intervallen van 15 minuten, terwijl Δ_τ > 1 of Δ_τ < 1 onregelmatige bemonstering weerspiegelt veroorzaakt door ontbrekende of dichte waarnemingen. Deze benadering behandelt onregelmatige bemonstering op natuurlijke wijze, terwijl interpreteerbaarheid behouden blijft ten opzichte van de onderliggende fysieke dynamiek.
5. Uitlezing en anomalie-scores
   1. Na het voltooien van de update van verborgen toestanden gebruik je een uitleeslaag in de AG-LNN om de één-stap vooruit voorspelling te genereren, zoals uitgedrukt in Vergelijking (20).
      (20)
      waarbij W_o en c respectievelijk de uitvoerprojectiematrix en biasvector aanduiden.
   2. Bereken de residu als de anomaliescore op basis van het verschil tussen de voorspelde en waargenomen waarden, zoals weergegeven in Vergelijking (21).
      (21)
   3. Pas een kwantielgebaseerde adaptieve drempelstrategie toe om te bepalen of een observatie overeenkomt met een anomalie.
   4. Definieer de anomaliedrempel θ_x voor elke waterkwaliteitsvariabele met behulp van het 99e percentiel van de residuen in de trainingsset, zoals geformuleerd in Vergelijking (22).
      (22)
      waarbij σ_s de standaardafwijking van de residuele sequentie aanduidt, en γ = 0,2 een vaste veiligheidscoëfficiënt is die natuurlijke dagvariaties compenseert.
   5. Dit ontwerp komt ongeveer overeen met een overschrijdingskans van 1%, in overeenstemming met standaard definities van omgevingsanomalieën. Tijdens inferentie levert het netwerk alleen de residuele sequentie {s_τ} uit, voor het bepalen van anomalieën, wordt post-hoc uitgevoerd volgens Vergelijkingen (14)–(15). Dit scheidingsontwerp is consistent met het algemene studiekader en zorgt ervoor dat het model zich richt op feature-extractie en anomaliemeting in plaats van direct deel te nemen aan het bepalen van de drempel.
6. Trainingsdoelstellingen en regularisatie
   1. Tijdens de training minimaliseer je de voorspellingsfout terwijl je tegelijkertijd extra regularisatie toepas op zowel de aandachtgewichten als de tijdconstanten om overfitting en numerieke instabiliteit te voorkomen. De verliesfunctie wordt uitgedrukt door Vergelijking (23).
      (23)
   2. Pas Reg_α toe via entropieregularisatie -∑α_τ log α_τ of de L1-norm om aandachtsinzakken te voorkomen. Pas Reg_λ toe door Δλ_τ = λ_τ - λ_τ-1 te bestraffen, drastische fluctuaties in de tijdconstante te beperken en straffen toe te voegen wanneer deze de vooraf gedefinieerde boven- en ondergrenzen overschrijdt. Deze aanpak werd gebruikt om de flexibiliteit van de AG-LNN te behouden terwijl stabiliteit tijdens de training werd gewaarborgd.
7. Vooruit berekenings- en interpreteerbaarheidsoutput
   1. Vereenvoudig het voorwaartse berekeningsproces van AG-LNN tot de volgende ketenstructuur, zoals getoond in Vergelijking (24).
      (24)
   2. Tijdens zowel training als inferentie registreer je continu de aandachtsgewichten α_τ en de vloeibare tijdconstanten λ_τ, en gebruik deze om interpreteerbaarheidsresultaten te genereren, namelijk aandachtswarmtekaarten en vloeistoftijdconstantencurves. Gebruik deze visualisaties om te benadrukken hoe het model zich richt op verschillende variabelen en tijdschalen, waardoor de interpreteerbaarheid van de methode wordt verbeterd.

5. Trainingsprocedure

1. Dataverdeling: Verdeel de multi-bron waterkwaliteitstijdreeks chronologisch in trainings-, validatie- en testdeelsets met een verdeling van 70%/15%/15%. Zorg voor robuustheid door de testset zo te selecteren dat bekende abnormale perioden bevat, terwijl deze strikt niet overlappend blijft met de trainingsdata om tijdlekkage te voorkomen.
2. Trainingsdetails
   1. Los de continue dynamica in de vloeistoflaag op met behulp van een gestabiliseerd expliciet Euler-schema. Ter vergelijking, test een gesloten-vorm discretisatie volgens de gerefereerde formulering^20,21.
   2. Aandacht-opwarmschema: Klem de aandachtgewichten op een bijna uniforme waarde (≈ 1,0) tijdens de eerste 10 epochs om de gradiëntstroom te stabiliseren. Na epoch 10 moet je geleidelijk de aandacht op de leerbare staat verplaatsen door de gewichtsupdates lineair vrij te geven over de volgende 5 epochs (schaalfactor = 0,8). Gebruik deze opwarmstrategie om onstabiele oscillaties aan het begin van de training te voorkomen en om een soepele convergentie te waarborgen.
   3. Optimizer en leersnelheidsplanner: Optimaliseer de modelparameters met de Adam-optimizer met β₁ = 0,9, β₂ = 0,999, ε = 1 x 10⁻⁸. Stel de initiële leersnelheid in op 1 x 10⁻³ en regel deze met een cosinus-annealingschema (T_max = 50 epochen, Minimum Learning Rate = 1 x 10⁻⁵). Kies batchgroottes tussen 32 en 128, afhankelijk van de GPU-geheugencapaciteit. Pas deze geleidelijke planning toe om een stabiele aanpassing van de continu-tijddynamiek te waarborgen zonder plotselinge verschuivingen in het leertempo.
   4. Vroegtijdige stop- en reproduceerbaarheidsinstellingen: Beëindig de training vroegtijdig als de validatiemetriek (AU-PR of F1) gedurende 10 opeenvolgende epochs niet verbetert (geduld = 10). Herhaal elk experiment 3 keer met vaste willekeurige zaden (42, 73 en 101) om reproduceerbaarheid te garanderen. Stel het maximale aantal epochs in op 100 en behoud het checkpoint met de beste validatie AU-PR voor testen.
3. Hardware- en softwareomgeving
   1. Voer alle experimenten uit op een Linux-server uitgerust met NVIDIA Tesla V100 GPU's (32 GB geheugen) en dubbele Intel Xeon Gold 6230 CPU's met 256 GB RAM. Implementeer het model in Python 3.9 met PyTorch 2.0 als deep learning-framework, en gebruik hulpbibliotheken zoals NumPy 1.23, SciPy 1.9 en scikit-learn 1.2 voor preprocessing en evaluatie. Containeriseer alle experimenten met Docker 23.0 en beheer ze op Ubuntu 20.04 LTS om reproduceerbaarheid en portabiliteit van de resultaten te waarborgen. Raadpleeg de Tabel van materialen voor gedetailleerde specificaties van alle hardwareapparaten en softwaretools om duidelijkheid en repliceerbaarheid te garanderen.

Resultaten

Algehele prestatievergelijking

Tabel 2 toont de vergelijkende resultaten van de verschillende basismodellen en het voorgestelde AG-LNN voor de taak waterkwaliteitsanomaliedetectie. Onder de traditionele onbewaakte baselines behaalden Isolation Forest²² en One-Class SVM²³ slechts matige precisie en terugroepactie, wat hun beperkte vermogen weerspiegelt om de temporele afhankelijkheden die inherent zijn aan multi-b...

Discussie

Deze studie introduceert een Attention-Gated Liquid Neural Network (AG-LNN), een nieuwe architectuur voor het detecteren van waterkwaliteitsanomalieën die continue vloeistofdynamica combineert met aandachtgebaseerde poortmechanismen. De vloeibare neurale component van een AG-LNN is geïnspireerd op Liquid Time-constant Networks (LTC's), die tijdreeksen modelleren met leerbare, input-afhankelijke tijdconstanten²⁰. AG-LNN gaat echter verder dan standaard LTC's door t...

Materialen

Lijst van materialen gebruikt in dit artikel

Naam	Bedrijf	Catalogusnummer	Opmerkingen
256 GB DDR4 RAM	Samsung	M393A4K40DB3	Groot geheugen voor het verwerken van grote multivariate tijdreeksdatasets
CUDA 11.6	NVIDIA	N/A	GPU-versnellingstoolkit voor PyTorch
Intel Xeon Gold 6330 CPU (2,0GHz, 28 cores)	Intel	BX80708-6330	Gebruikt als de belangrijkste berekeningsserver voor modeltraining
Matplotlib 3.4, Seaborn 0.11	Open Source	N/A	Visualisatie van experimentele resultaten
NumPy 1.21, Pandas 1.3	Open Source	N/A	Datavoorverwerking en feature engineering
NVIDIA A100 GPU (40GB)	NVIDIA	900-21001-0000-001	Versnelde training van AG-LNN met CUDA-ondersteuning
Python 3.9	Python Software Foundation	N/A	Hoofdprogrammeertaal voor implementatie
PyTorch 1.12	Meta AI	N/A	Deep learning-framework gebruikt voor het bouwen van AG-LNN
Scikit-learn 0.24	Open Source	N/A	Evaluatiemetrieken en basismodellen
Ubuntu 20.04 LTS OS	Canonical	N/A	Besturingssysteem voor de computationele omgeving