基于CNN-LSTM的水质预测模型研究

作者：周朝勉; 刘明萍; 王京威

来源：水电能源科学, 2021, 39(03): 20-23.

• 水质预测
• CNN-LSTM模型
• LSTM模型
• 线性插值法

为精确预测水质中的溶解氧(DO)浓度,提出了一种基于卷积神经网络(CNN)和长短期记忆网络(LSTM)的混合模型,通过线性插值法补齐缺失值以提高数据完整性,将溶解氧数据按时间滑动窗口构造连续特征图作为输入,用CNN提取数据中的抽象特征,将特征映射到LSTM中得到预测值,并以安徽省蚌埠闸水质监测数据为样本对模型进行训练和验证。试验结果表明,CNN-LSTM混合模型的均方根误差(RRMSE)为0.56、平均绝对百分比误差(MMAPE)为6.4%,与单一的LSTM模型和BP神经网络(BPNN)模型相比分别降低了5.1%、7.2%和9.7%、12%。

• 单位
  南昌大学信息工程学院