1.一种基于LSTM神经网络模型的养殖尾水预测处理方法，其特征在于，包括：获取养殖尾水的水质监测数据，并对所述水质监测数据进行预处理；所述水质监测数据包括：氨氮、pH、总氮、总磷、COD参数；

获取LSTM神经网络模型；

将预处理后的所述水质监测数据作为所述LSTM神经网络模型的输入，预测养殖尾水未来多时刻的水质参数值；

利用养殖尾水未来多时刻的水质参数值，通过计算机控制模块对养殖尾水设备进行在线调控；

完成在线调控后，通过采集装置采集养殖尾水的实时数据进行反馈验证；

所述方法还包括：

当本地有养殖尾水预测处理相关会议结束时，获取会议对话；

基于所述会议对话，确定养殖尾水预测处理经验；

基于所述养殖尾水预测处理经验，对LSTM神经网络模型进行补充训练；

基于所述会议对话，确定养殖尾水预测处理经验，包括：将所述会议对话按照对话时序进行排序，获得对话序列；

从所述对话序列的序列中点向序列两头依次遍历所述会议对话，每次遍历时，获取遍历到的所述会议对话的第一关键词集；

获取用于养殖尾水预测处理提问评定的多个第一评定关键词集；

将所述第一关键词集与任一所述第一评定关键词集进行匹配，若匹配符合，获取匹配符合的所述第一评定关键词集对应的预设的用于养殖尾水预测处理提问回答评定的多个第二评定关键词集；

获取所述对话序列中遍历到的所述会议对话之后预设的第一时间内的所述会议对话的第二关键词集；

将所述第二关键词集与任一所述第二评定关键词集进行匹配，若匹配符合，获取匹配符合的所述第二评定关键词集对应的预设的用于养殖尾水预测处理提问回答无分歧评定的多个第三评定关键词集，并获取所述对话序列中匹配符合的所述第二关键词集对应所述会议对话之后预设的第二时间内的所述会议对话的第三关键词集；

将所述第三关键词集与任一所述第三评定关键词集进行匹配，若均不匹配符合，获取所述第三关键词集对应所述会议对话的第一对话语义，并获取遍历到的所述会议对话的第二对话语义；

基于预设的养殖尾水预测处理经验生成模板，根据所述第一对话语义和所述第二对话语义，第二对话语义作为问题，第一对话语义作为问题解决办法，生成养殖尾水预测处理经验。

2.如权利要求1所述的一种基于LSTM神经网络模型的养殖尾水预测处理方法，其特征在于，对所述水质监测数据进行预处理，包括：缺失值处理：

获取当前时刻 之前的n个时刻的污水特征数据的平均值 ：； 为第k天当前时刻 之前第一个

时刻的污水特征数据， 为第k天当前时刻 之前第二个时刻的污水特征数据，为第k天当前时刻 之前第n个时刻的污水特征数据；

获取前m天当前时刻 的污水特征数据的平均值 ：； 为第k天前m天当前时刻 的污

水特征数据， 为第k天前m‑1天当前时刻 的污水特征数据， 为第k天前1天当前时刻 的污水特征数据；

对缺失值 填充为： ； 为预设的常数， 被

用来表示加权系数，它的取值范围是0.5‑1；

异常值剔除：

3σ准则被用来剔除冗余和错误的数据，假设有x1,x2,...xn共n个样本数据， 被用来当作其平均值, （i=1,2,...n)被用来表示偏差，其标准差σ的公式为：；

数据归一化：

式中，X*表示归一化处理后的数据；Xmax为所有数据中X的最大值，Xmin为所有数据中X的最小值，Xn为归一化处理后得到的新值。

3.如权利要求1所述的一种基于LSTM神经网络模型的养殖尾水预测处理方法，其特征在于，LSTM神经网络模型是通过遗忘门、输入门、输出门结构来实现利用：遗忘门会获取上一时刻的信息ht‑1与当前时刻的数据xt，输出的值介于0到1之间，越接近0表示越应该忘记，越接近1表示越应该记住，运算公式如下：；

；

输入门含有sigmoid函数； 新值被tanh层生成；

；

；

联合更新计算如下： ；

输出门细胞的单元状态决定了输出门的输出结果，通过sigmoid函数输出细胞单元状态的一部分，然后用tanh函数处理细胞单元的状态，最终得到当前时刻的输出ht；输出门的输出结果被细胞单元状态确定，细胞单元状态的一部分被通过sigmoid函数输出，细胞单元状态被tanh函数处理，最后获得当前的输出ht；

；

；

式中，ht‑1为前一个细胞单元的输出，xt为现在细胞单元的输入，w和b分别为忘记门里的权重矩阵、偏置向量， 为激活函数sigmoid； 为tanh层生成；ht为当前时刻的输出。

4.如权利要求1所述的一种基于LSTM神经网络模型的养殖尾水预测处理方法，其特征在于，所述养殖尾水设备包括：集水池、ABR池、曝气池、二沉池、活性炭吸附池；

在所述集水池、ABR池、曝气池、二沉池和活性炭吸附池内均设置有水质采集装置，所述水质采集装置与计算机控制模块相连，其中集水池用于收集和储存进入污水处理系统的原始污水，平衡流量和水质波动，确保后续处理过程的稳定工作；

ABR池是一种厌氧反应器，主要用于进行厌氧降解处理，养殖尾水在ABR池内暂留，通过微生物的作用将有机物质分解为甲烷、二氧化碳；

曝气池是一个关键的处理单元，其中通过给水体提供氧气来促进生物的新陈代谢，在曝气池中，通过增加溶解氧浓度，细菌和其他微生物更好地降解污水中的有机物；

二沉池用于污水中的悬浮物、悬浮胶体和生物絮凝物的沉降，在二沉池中，污水中的固体颗粒沉降到底部形成污泥，然后清水从上方流出；

活性炭吸附池采用活性炭来吸附和去除污水中的有机物、溶解物和微量有害物质，同时活性炭具有很强的吸附能力，有效地去除污水中的难降解有机物和异味物质。

5.如权利要求1所述的一种基于LSTM神经网络模型的养殖尾水预测处理方法，其特征在于，水质采集装置内含各种传感器，用于监测水中的氨氮、pH、总氮、总磷、COD参数。

6.一种基于LSTM神经网络模型的养殖尾水预测处理系统，其特征在于，包括：第一获取模块，用于获取养殖尾水的水质监测数据，并对所述水质监测数据进行预处理；所述水质监测数据包括：氨氮、pH、总氮、总磷、COD参数；

第二获取模块，用于获取LSTM神经网络模型；

预测模块，用于将预处理后的所述水质监测数据作为所述LSTM神经网络模型的输入，预测养殖尾水未来多时刻的水质参数值；

调控模块，用于利用养殖尾水未来多时刻的水质参数值，通过计算机控制模块对养殖尾水设备进行在线调控；

反馈验证模块，用于完成在线调控后，通过采集装置采集养殖尾水的实时数据进行反馈验证；

所述系统还包括：

补充训练模块，用于：

当本地有养殖尾水预测处理相关会议结束时，获取会议对话；

基于所述会议对话，确定养殖尾水预测处理经验；

基于所述养殖尾水预测处理经验，对LSTM神经网络模型进行补充训练；

基于所述会议对话，确定养殖尾水预测处理经验，包括：将所述会议对话按照对话时序进行排序，获得对话序列；

从所述对话序列的序列中点向序列两头依次遍历所述会议对话，每次遍历时，获取遍历到的所述会议对话的第一关键词集；

获取用于养殖尾水预测处理提问评定的多个第一评定关键词集；

将所述第一关键词集与任一所述第一评定关键词集进行匹配，若匹配符合，获取匹配符合的所述第一评定关键词集对应的预设的用于养殖尾水预测处理提问回答评定的多个第二评定关键词集；

获取所述对话序列中遍历到的所述会议对话之后预设的第一时间内的所述会议对话的第二关键词集；

将所述第二关键词集与任一所述第二评定关键词集进行匹配，若匹配符合，获取匹配符合的所述第二评定关键词集对应的预设的用于养殖尾水预测处理提问回答无分歧评定的多个第三评定关键词集，并获取所述对话序列中匹配符合的所述第二关键词集对应所述会议对话之后预设的第二时间内的所述会议对话的第三关键词集；

将所述第三关键词集与任一所述第三评定关键词集进行匹配，若均不匹配符合，获取所述第三关键词集对应所述会议对话的第一对话语义，并获取遍历到的所述会议对话的第二对话语义；

基于预设的养殖尾水预测处理经验生成模板，根据所述第一对话语义和所述第二对话语义，第二对话语义作为问题，第一对话语义作为问题解决办法，生成养殖尾水预测处理经验。

7.如权利要求6所述的一种基于LSTM神经网络模型的养殖尾水预测处理系统，其特征在于，第一获取模块对所述水质监测数据进行预处理，包括：缺失值处理：

获取当前时刻之前的n个时刻的污水特征数据的平均值 ：； 为第k天当前时刻 之前第一个

时刻的污水特征数据， 为第k天当前时刻 之前第二个时刻的污水特征数据，为第k天当前时刻 之前第n个时刻的污水特征数据；

获取前m天当前时刻 的污水特征数据的平均值 ：； 为第k天前m天当前时刻 的污

水特征数据， 为第k天前m‑1天当前时刻 的污水特征数据， 为第k天前1天当前时刻 的污水特征数据；

对缺失值 填充为： ；为预设的常数，被用

来表示加权系数，它的取值范围是0.5‑1；

异常值剔除：

3σ准则被用来剔除冗余和错误的数据，假设有x1,x2,...xn共n个样本数据， 被用来当作其平均值, （i=1,2,...n)被用来表示偏差，其标准差σ的公式为：；

数据归一化：

；

式中，X*表示归一化处理后的数据；Xmax为所有数据中X的最大值，Xmin为所有数据中X的最小值，Xn为归一化处理后得到的新值。

8.如权利要求6所述的一种基于LSTM神经网络模型的养殖尾水预测处理系统，其特征在于，LSTM神经网络模型是通过遗忘门、输入门、输出门结构来实现利用：遗忘门会获取上一时刻的信息ht‑1与当前时刻的数据xt，输出的值介于0到1之间，越接近0表示越应该忘记，越接近1表示越应该记住，运算公式如下：；

；

输入门含有sigmoid函数； 新值被tanh层生成；

；

；

联合更新计算如下： ；

输出门细胞的单元状态决定了输出门的输出结果，通过sigmoid函数输出细胞单元状态的一部分，然后用tanh函数处理细胞单元的状态，最终得到当前时刻的输出ht；输出门的输出结果被细胞单元状态确定，细胞单元状态的一部分被通过sigmoid函数输出，细胞单元状态被tanh函数处理，最后获得当前的输出ht；

；

；

式中，ht‑1为前一个细胞单元的输出，xt为现在细胞单元的输入，w和b分别为忘记门里的权重矩阵、偏置向量， 为激活函数sigmoid； 为tanh层生成；ht为当前时刻的输出。

9.如权利要求6所述的一种基于LSTM神经网络模型的养殖尾水预测处理系统，其特征在于，所述养殖尾水设备包括：集水池、ABR池、曝气池、二沉池、活性炭吸附池；

在所述集水池、ABR池、曝气池、二沉池和活性炭吸附池内均设置有水质采集装置，所述水质采集装置与计算机控制模块相连，其中集水池用于收集和储存进入污水处理系统的原始污水，平衡流量和水质波动，确保后续处理过程的稳定工作；

ABR池是一种厌氧反应器，主要用于进行厌氧降解处理，养殖尾水在ABR池内暂留，通过微生物的作用将有机物质分解为甲烷、二氧化碳；

曝气池是一个关键的处理单元，其中通过给水体提供氧气来促进生物的新陈代谢，在曝气池中，通过增加溶解氧浓度，细菌和其他微生物更好地降解污水中的有机物；

二沉池用于污水中的悬浮物、悬浮胶体和生物絮凝物的沉降，在二沉池中，污水中的固体颗粒沉降到底部形成污泥，然后清水从上方流出；

活性炭吸附池采用活性炭来吸附和去除污水中的有机物、溶解物和微量有害物质，同时活性炭具有很强的吸附能力，有效地去除污水中的难降解有机物和异味物质。

10.如权利要求6所述的一种基于LSTM神经网络模型的养殖尾水预测处理系统，其特征在于，水质采集装置内含各种传感器，用于监测水中的氨氮、pH、总氮、总磷、COD参数。