基于灰色关联-长短时记忆网络的水质预测研究

作者：方国华; 张钰; 袁婷; 廖涛; 丁紫玉

来源：安全与环境学报, 2023, 23(12): 4557-4568.

DOI：10.13637/j.issn.1009-6094.2022.1883

• 环境工程学
• 水质预测
• 总磷
• 溶解氧
• 长短时记忆网络
• 灰色关联
• 长江南京段

为了有效预测河流水质变化趋势，充分利用水质序列的时序性与多元相关性信息，构建基于灰色关联-长短时记忆网络(Grey Relational Anlysis-Long and Short-Term Memory Network, GRA-LSTM)水质预测模型，以改善水环境质量。选择长江南京段河流型水源地进行实例研究，结果显示：当滑动时间窗口(d)为2,最大训练次数(MaxEpochs)为220,隐含层神经元个数(numHiddenUnits)分别为80与100时，总磷与溶解氧预测效果最佳。将长短时记忆网络(Long and Short-Term Memory Network, LSTM)预测结果与误差反向传播神经网络(Back Propagation, BP)、极限学习机(Extreme Learning Machine, ELM)、支持向量机(Support Vector Machine, SVM)模型预测结果进行对比分析，显示LSTM网络在水质预测研究中具备较强的适用性。运用灰色关联分析选择多元特征输入变量，实现了关键水质指标影响因子重要性定量化排序与冗余信息的消除，相较于单一特征输入的LSTM网络，GRA-LSTM网络能够进一步降低模型预测误差，其中总磷与溶解氧质量浓度预测均方根误差分别降低了11.6%与12.4%。

• 单位
  河海大学; 江苏省水利勘测设计研究院有限公司