科研之友
微信
新浪微博
Facebook
分享链接
摘要
流域水质数据存在时间和空间上的双重依赖性，针对现有水质预测模型大多建立在时间维度上，不能有效利用水质空间相关性问题，提出了基于图卷积神经网络GCN和长短时记忆网络LSTM的水质预测模型。首先建立流域监测点间的拓扑结构，并将监测点沿河道的距离作为权重表征监测点间连接的强弱；然后采用图卷积神经网络GCN捕获每个输入时刻监测点间的空间关系，再通过LSTM捕获其时间上水质变化特征；最后通过多层感知器MLP得到水质预测结果。将钱塘江南源作为研究对象，对流域内15个监测点的pH值、溶解氧DO、高锰酸盐指数CODMn进行预测，结果表明：相较于LSTM,GCN-LSTM模型水质预测结果平均百分比误差MAPE分别下降15.29%、11.77%、9.8%;监测点间的连接具有差异性，通过距离来表示监测点间连接强弱可以使水质预测结果更为精确。
- 单位
