1.一种基于改进LSTM神经网络模型的污水处理厂水质预测方法，其特征在于，包括：获取污水处理厂的水质监测数据；

对所述水质监测数据进行离群清理和平滑处理，获得处理数据；

对所述处理数据进行归一化，获得归一化数据；

利用所述归一化数据，构建训练集数据和测试集数据；

基于遗传算法，改进LSTM神经网络，获得改进LSTM神经网络；

利用所述训练集数据，对所述改进LSTM神经网络进行训练，获得水质预测模型；

利用所述测试集数据输入所述水质预测模型，获得水质预测数据；

所述水质监测数据至少包括：汽水比、曝气强度、氨氮、p H、总氮、总磷、COD、MLSS、膜通量、水温、进水量、出水量以及药剂投加量；

所述基于遗传算法，改进LSTM神经网络，获得改进LSTM神经网络，包括：建立LSTM神经网络的结构，至少包括：输入层、隐藏层节点、Relu激活层和输出回归层；

设置LSTM神经网络的参数，至少包括：Adam梯度下降算法、最大训练次数、初始学习率、学习率下降因子和正则化系数；

随机生成一组初始LSTM的学习率、隐藏层节点数和正则化系数参数设置，形成初始种群，种群中的每个个体都代表了一个LSTM参数设置；

对每个个体进行随机编码，将LSTM模型的参数转换为遗传算法可以处理的二进制形式，生成一组组二进制串，代表不同的LSTM参数设置组合；

进行解码，在评估每个个体的适应度时，会使用解码步骤将二进制串重新映射为实数参数，进行适应度函数的评估，得到个解；

通过上一步骤解码后，对种群中的每个个体，以均方根误差为适应度函数来计算其适应度值，适应度值存储在数组中；

通过在数组中找到最小适应度值，确定最佳个体的索引和最佳适应度值以及全局最佳个体的参数值；

进行迭代寻优，包括种群更新、交叉操作、变异操作、更新个体最佳和全局最佳个体，寻找最佳适应度值；

通过不断的选择、交叉和变异操作，生成新的种群，并评估其适应度，直到达到停止条件，达到最大迭代次数，则停止计算，此时LSTM神经网络的学习率、隐藏层节点数和正则化系数参数最优；

交叉和变异公式如下：

式中，R1为一个介于 0 和 1 之间的随机数，用于控制交叉操作中两个个体基因片段的交换比例，v1和v2分别是染色体中某个基因位点的取值与该位点下界的差值和染色体中某个基因位点的上界与该位点取值的差值，v为染色体中某个基因位点的当前取值,p1和p2分别为当前种群的进化代数和最大的进化代数，θ为变异后的新值，f为一个介于 0 和 1 之间的随机数，用于决定变异操作中的变异方向；

还包括：

基于所述水质预测数据和污水处理厂的厂区三维模型，构建可视化模型；

向用户显示所述可视化模型；

辅助用户基于所述可视化模型确定二次水质预测意图；

将所述二次水质预测意图输入所述水质预测模型，获得二次水质预测数据；

所述辅助用户基于所述可视化模型确定二次水质预测意图，包括：当用户在第一时间段内来回至少预设次数阈值次切换至少两个主视角查看所述可视化模型时，对第二时间段内所述主视角的历史可视内容和用户输入可视化模型的操作指令进行特征提取，获得多个第一特征值；

基于所述多个第一特征值，构建第一特征描述向量；

从视角条件库中确定所述第一特征描述向量对应的多个视角条件；

基于条件划分要求，将各个视角条件划分成至少一个视角条件集；其中，所述条件划分要求包括：同一所述视角条件集中的两两视角条件之间具备至少一个条件关联关系；

在所述可视化模型中创建至少一个副视角；副视角与视角条件集一一对应，副视角符合其对应的视角条件集中的全部视角条件；

在第三时间段内提示所述用户切换至任意所述副视角查看所述可视化模型；

当所述用户在第四时间段内切换至任一所述副视角查看所述可视化模型时，对所述用户以切换至的所述副视角查看所述可视化模型的查看情况进行特征提取，获得多个第二特征值；

基于所述多个第二特征值，构建第二特征描述向量；

从意向值库中确定所述第二特征描述向量对应的意向值；意向值与所述用户在第四时间段内切换至的所述副视角一一对应；

将大于等于意向阈值的意向值对应的所述用户在第四时间段内切换至的所述副视角作为目标副视角；

基于所述目标副视角与所述主视角之间的视角关联关系和所述目标副视角对应的所述视角条件集中的视角条件，确定所述二次水质预测意图。

2.如权利要求1所述的基于改进LSTM神经网络模型的污水处理厂水质预测方法，其特征在于，所述离群清理至少包括：采用线性插值的填充方法填充离群值；

所述平滑处理至少包括：采用移动均值的方法。

3.如权利要求1所述的基于改进LSTM神经网络模型的污水处理厂水质预测方法，其特征在于，所述归一化至少包括：采用Z‑score标准化方法，公式如下：

其中， 表示归一化处理后的数据；表示所述处理数据的均值；表示所述处理数据的标准差；表示所述处理数据。

4.如权利要求1所述的基于改进LSTM神经网络模型的污水处理厂水质预测方法，其特征在于，所述训练集数据和测试集数据的数据比例为7:3。

5.如权利要求1所述的基于改进LSTM神经网络模型的污水处理厂水质预测方法，其特征在于，所述改进LSTM神经网络的参数设置至少包括：交叉概率、变异概率、种群数量、最大迭代次数、学习率范围、隐藏层节点数和正则化系数范围。

6.如权利要求1所述的基于改进LSTM神经网络模型的污水处理厂水质预测方法，其特征在于，适应度函数公式如下：式中，yi为水质参数真实值； 为水质参数预测值，n为水质参数数据数量，fitness为适应度值。