基于TimeGAN-CNN-LSTM模型的河流水质预测研究

作者：张丽娜; 陈会娟; 余昭旭^*

来源：自动化仪表, 2022, 43(08): 11-15.

DOI：10.16086/j.cnki.issn1000-0380.2022050286

• 水质预测
• 混合模型
• 时间序列对抗生成网络
• 卷积神经网络
• 长短期记忆网络
• 时间序列数据

为精确预测河流水质中的铵离子(NH+4)浓度，针对某公开水质数据进行了研究，提出了一种基于时间序列对抗生成网络(TimeGAN)、卷积神经网络(CNN)和长短期记忆(LSTM)网络的混合模型。使用TimeGAN对河流水质历史数据进行数据增强，生成合成时间序列数据；采用CNN对输入的数据进行特征提取，并通过全连接层将数据输入到LSTM中得到预测值，从而建立TimeGAN-CNN-LSTM河流水质预测模型。试验结果表明，模型预测效果良好，其平均绝对误差(MAE)、均方根误差(RMSE)和决定系数(R2)分别为0.07、0.08和0.97,比CNN-LSTM模型分别提高了45.45%、47.06%和19.75%,比LSTM模型分别提高了50%、50%和21.25%。TimeGAN-CNN-LSTM既解决了训练模型时数据不充分的问题，又能够充分提取水质数据在时间和空间上的特征，具有较高的应用价值。

• 单位
  华东理工大学