基于WPD-AHA-ELM模型的水质时间序列多步预测

作者：崔东文^*; 袁树堂

来源：三峡大学学报(自然科学版), 2023, 45(01): 6-13.

DOI：10.13393/j.cnki.issn.1672-948x.2023.01.002

• 水质预测
• 小波包分解
• 人工蜂鸟算法
• 极限学习机
• 仿真测试
• 多步预测

根据水质时间序列多尺度、非平稳特性，并基于“分解-预测-重构”思想，提出小波包分解(WPD)-人工蜂鸟算法(AHA)-极限学习机(ELM)组合多步预测模型，并应用于云南省昆明西苑隧道断面pH值、CODmn、DO、NH3-N多步预测.首先介绍AHA原理，在不同维度条件下选取6个典型函数对AHA进行仿真测试，并与灰狼优化(GWO)算法、旗鱼优化(SFO)算法、粒子群优化(PSO)算法的仿真结果进行比较；其次利用WPD对水质时序数据进行小波包分解，以降低水质序列数据的复杂度；并在延迟时间为1的情况下，采用Cao方法确定各子序列分量的输入、输出；最后通过各分量训练样本构建ELM适应度函数，采用AHA对适应度函数进行寻优，利用寻优获得的最佳ELM输入层权值和隐含层偏值建立WPD-AHA-ELM模型对各子序列分量进行超前1步至超前5步预测，将预测结果加和重构得到最终多步预测结果.结果表明：AHA具有较好的寻优精度和全局搜索能力，寻优精度优于GWO、SFO、PSO算法.WPD-AHA-ELM模型对实例断面pH、CODmn、DO、NH3-N超前1步至超前5步预测的平均绝对百分比误差分别在0.05%～1.23%、0.10%～3.15%、0.13%～3.67%、0.65%～10.6%之间，具有较小的预测误差，其中尤以超前1步至超前3步的预测效果最好.WPD-AHA-ELM模型预测精度随着超前预测步数的增加而降低.