基于双向长短期记忆网络组合模型的水质预测
水质是生态环境保护和水资源管理的重要指标之一,准确预测水质对于保障水环境安全和可持续利用至关重要.本研究提出了一种基于双向长短期记忆网络(Bi-directional Long Short-Term Memory,BiLSTM)的组合水质预测方法.该方法首先采用鱼鹰优化算法(Osprey optimization algorithm,OOA)改进的变分模态分解(Varational Mode Decomposition,VMD)方法将水质时间序列数据分解为多个本征模态函数(Intrinsic Mode Functions,IMF),以便捕捉不同时间尺度的波动特征;其次通过麻雀搜索算法(Sparrow Search Algorithm,SSA)优化后的双向长短期记忆网络进行单个IMF的预测;最后将各模态预测结果叠加融合得到最终预测结果.结果表明,该模型在黑河张家桥监测站点数据集上溶解氧、氨氮、总磷、总氮的均方根误差分别为0.162、0.002、0.003、0.063,校正系数分别为0.991、0.979、0.977、0.994;与BiLSTM和OOA-VMD-BiLSTM相比,均方根误差分别降低了0.393、0.005、0.004、0.376和0.236、0.004、0.003、0.148,校正系数分别提高了0.090、0.131、0.046、0.271和0.043、0.090、0.040、0.059.在其他检测站点的实验中,该方法也取得了良好的效果,进一步验证了其准确性和可行性.该方法作为水环境管理和决策的一种有效手段,能够帮助提高水质监测和水资源管理的效率.
水质预测、变分模态分解、鱼鹰优化算法、双向长短期记忆网络、麻雀搜索算法
44
X32;X832(环境规划与环境管理)
国家重点研发计划No.2022YFC3203605
2024-08-26（万方平台首次上网日期，不代表论文的发表时间）
共10页
261-270
