基于数据处理与若干群体算法优化的 GRU/LSTM水质时间序列预测

作者：杨坪宏; 胡奥; 崔东文^*; 杨杰

来源：水资源与水工程学报, 2023, 34(04): 45-53.

• 水质预测
• 门限循环控制单元
• 长短期记忆神经网络
• 小波包变换
• 变色龙优化算法
• 猎豹优化算法
• 山瞪羚优化算法

为提高水质时间序列预测精度，提出一种基于小波包变换(WPT)和变色龙优化算法(CSA)、猎豹优化(CO)算法和山瞪羚优化(MGO)算法的优化门限循环控制单元(GRU)、长短期记忆神经网络(LSTM)的预测模型。首先利用WPT对pH值、DO、CODMn、NH3—N时间序列进行平稳化处理，得到若干个规律性较强的子序列分量；其次简要介绍了CSA、CO、MGO算法原理，利用CSA、CO、MGO分别寻优GRU、LSTM超参数，建立WPT-CSA-GRU、WPT-CO-GRU、WPT-MGO-GRU、WPT-CSA-LSTM、WPT-CO-LSTM、WPT-MGO-LSTM模型；最后利用所建立的模型对pH值及DO、CODMn、NH3—N浓度各分量进行预测和重构，并建立WPT-GRU、WPT-LSTM和WPT-CSA-SVM、WPT-CO-SVM、WPT-MGO-SVM模型作对比分析模型，以云南省昆明市观音山断面为例，通过pH值及DO、CODMn、NH3—N浓度预测对模型进行了验证。结果表明：WPT-CSA-GRU、WPT-CO-GRU、WPT-MGO-GRU、WPT-CSA-LSTM、WPT-CO-LSTM、WPT-MGO-LSTM模型对实例pH值及DO、CODMn、NH3—N浓度的预测精度优于其他对比模型，具有较好的预测效果，其中尤以WPT-CSA-GRU、WPT-CO-GRU、WPT-MGO-GRU模型的预测精度最高；CSA、CO、MGO能有效调优GRU、LSTM超参数，显著提高GRU、LSTM预测性能；所构建的6种模型预测精度高且计算规模小，是有效的水质时间序列预测模型，可为相关水质预测研究提供参考。

• 单位
  云南省水文水资源局; 北京全路通信信号研究设计院集团有限公司