基于长短时记忆神经网络的河流水质预测研究

摘要：

准确高效地预测河流水质变化趋势对河流水环境治理与保护具有重要意义.该文利用广州市白坭河上自动监测站每2h的水质数据,从单测站数据时序之间的相关性和上游测站的影响两方面,分别建立长短时记忆网络(LSTM)河流水质预测的循环神经网络模型.模型以氨氮浓度为输出变量,比较了不同输入变量下的模型预测效果,并以最优模型和常用的深度学习算法支持向量机(SVM)进行了比较.结果表明:单测站LSTM模型经输入变量特征选择后的预测结果比仅使用氨氮浓度单变量的时间序列预测更接近真实数值;对加入上游监测站的双测站LSTM模型,输入的变量经过特征选择时,模型预测效果优于全部水质变量作为输入的预测结果,也优于单测站LSTM模型;但不进行特征选择时,输入变量增加,模型学习到噪声而使精度下降;和SVM模型相比,最优特征组合的LSTM模型具有更好的预测效果.研究也表明,对输入变量进行特征选择后,LSTM模型是一种有潜力的河流水质预测方法.

关键词：水质预测;长短时记忆网络;循环神经网络;深度学习;特征选择

所属期刊栏目：44

分类号：TP183;X832(自动化基础理论)

资助基金：国家自然科学基金51721006

在线出版日期：2021-12-08（万方平台首次上网日期，不代表论文的发表时间）

页数：共7页

页码：163-169