由奥科环境主办的《基于深度学习时间序列分析的空气质量预测及其在水务智能管理中的应用展望》云讲堂系列活动顺利开展并圆满结束。奥科环境全球技术云讲堂是由奥科环境主办的线上系列活动，针对全球清洁技术行业热门需求痛点，邀请海内外专家与新老朋友分享各环保细分领域的领先科技与先进技术产品，旨在联动全球技术市场资源，为中国环保企业的技术升级以及自主创新提供新思路，共创全球环保科技新生态。本次讲座由中国矿业大学俞和胜教授作为主讲嘉宾，与大家分享基于深度学习时间序列分析的空气质量预测及其在水务智能管理中的应用展望。
在本次讲座中，俞和胜教授介绍了深度学习时间序列分析基础与前沿方法介绍、深度学习在环境科学中的实施挑战与策略、深度学习时间序列分析在空气质量预测中案例研究、水务智能管理的深度学习应用前景、深度学习时间序列分析的思考与展望。关于更多讲座具体内容，请前往Bilibili奥科环境云讲堂观看活动回放：
https://b23.tv/sGd3kZx
在问答环节中，多位业内人士针对模型解释性、多模态数据混合使用、模型预测能力等方面进行了积极提问，俞和胜教授一一做出了详尽的解答。以下为部分问题及回答总结：
Q & A
Q
结合传统的机理模型，有没有对大数据模型也就是黑箱模型的可解释性分析的方式
A
我认为是可以的。因为传统模型主要是流体力学加上光化学反应，当然里面还有涉及到其他应用，总的来说这两块应该是比较核心的，我们在研究的一个项目中，关于流体力学，怎样跟CFD耦合深度学习，这是非常好的交叉点，现在很多人都在研究，尤其是简单的二维CFD计算都做的差不多了。如果我们能把斯芬克斯方程等一些解法引入深度学习模型的话，可能会减少最耗时间的一些东西。也就是模型如果与人工智能结合的比较好，会大大节省我们的时间。而且在可解释性上，大家应该也是非常能够接受，因为这样可以体现它的物理意义。
Q
多模态数据混合使用的过程中，有哪些建议
A
我们刚做过的一篇文章，类似于多模态，我们用了类似于多孔材料，有很多特征，比表面积是它非常重要的一个特点。我们输入方式有两种。每一种材料有一个已知的分子结构，它输出的是一张图片。另外它还有很多的量化数值，比如说有哪些元素、分子量，这些是可以量化的。我们尝试通过并行计算，相当于两条腿走路。把他们数字化以后，作为共同的输入方式。这个方式目前只能用在研究层面。我们当时模型开发也是一种并行计算的方法。一部分处理的是局部信息，一部分处理的是全局信息，最后再合到一起。作为一种尝试，确实有一些是提高，但还不是那么明显。多模态肯定是需要不断解决的大问题，很多东西需要融合进来。将来构建数据库的时候，可能维度还要再增加。
Q
在做深度学习或者各种混合模型的时候，对数据集、数据结构、数据量有什么要求，以达到比较好的预测效果
A
比如相关性分析，从我个人来说一般从0.6开始做起，这是一种方式，但是不绝对。我们会不断的试错来调优。数据的相关性，尤其是我们要放进去多少因素（特征），对整个运行的系统来说是非常重要的。关于数据量，基本上低于两万条就不要考虑用深度学习，最好是几十万条为单位起步，上百万更好。总体而言，要求数据集的质量和数量都要有保证才有助于模型捕捉数据中的复杂模式和特征。
Q
关于模型预测能力，在模型训练的过程中，有哪些要点需要重点关注
A
举一个常见问题，时间序列存在的数据泄露问题。分解的过程是通过训练集、测试集以及验证集来进行的。有些人分解的时候是直接当成普通数据一样，全部整个分解，这是不对的， 相当于预测的时候，你已经看到了未来的数据，把未来数据分解以后又带进去了，相当于在时间序列涉及到数据分解的时候出现了数据泄露问题，而这对于模型预测能力是一个非常敏感的问题。
• E N D •
奥科环境是全球智慧水务领先技术方案集成商与全流程技术咨询服务提供商，承接各类流体仿真/机理模型/数据模型/混合模型的工程化应用项目，覆盖数据诊断、工艺建模、运营优化与自动控制等智慧水务全流程环节。凭借核心团队在系统建模、智能算法、智能物联网、数字孪生与水务运营的深度沉淀与长期积累，奥科环境在智慧水务领域拥有系统化产品布局与深厚人才储备。如您希望获得更多智慧水务与工艺建模相关资讯，敬请关注：
微信公众号：奥科环境数智加
微信视频号：奥科环境数智加
奥科环境数智加Bilibili主页：space.bilibili.com/3493144647699130
如您对水厂数字化升级整体方案或者工艺建模有相关需求，欢迎咨询客服：
客服 | 周先生
微信号：sumoservice | |
电话：13810730166 |
更多信息请参见：
奥科环境数智加
info@alclechina.com
+86 13810730166
长按二维码关注
