科研之友
微信
新浪微博
Facebook
分享链接
摘要
水质环境的实时变化和内部耦合导致难以实现水质高效准确的预测。为挖掘水质时间序列中的更多信息，同时提高预测模型的精度，提出一种溶解氧组合预测模型。首先将水质数据去耦合，进行时间序列分解，然后将分解后趋势分量、周期分量和余项分量输入到长短时神经网络模型(LSTM)中进行预测，再针对LSTM网络初始化参数对预测性能的影响提出基于高斯函数的果蝇算法进行优化，最后将各分量的预测值重构为溶解氧浓度的预测值。以海河某3个河流断面的水质数据进行仿真检验，结果表明混合模型对3个站点溶解氧浓度预测效果好，误差小，泛化性强。
- 单位
