一种基于图神经网络的深度学习模型GCN-GRU的水质预测方法

本发明提供一种基于图神经网络的深度学习模型GCN‑GRU的水质预测方法，将监测站的分布与监测站之间的邻接关系视为图的节点与边以构建图结构，利用图结构保留流域内监测站点的原始空间分布，能够更准确地模拟污染物的传输过程，并显著提高模型的解释能力；通过引入图卷积网络和门控循环单元，以有效捕捉非网格结构数据中的空间信息和时间信息，接着，采用自注意力机制和全连接网络，有效融合水质时间序列数据中的长期时空特征，其结合了GCN在空间建模方面的优势和GRU在时序建模方面的能力，实现对空间关联和时间依赖关系的全面捕捉，进而提高了水质预测结果的可靠性，为环境保护和污染防治提供了重要工具。