由于水质数据特征复杂、关联度参差不齐而导致溶解氧浓度预测难度较大,为提高水质溶解氧浓度预测的准确性,提出了一种基于特征工程和北方苍鹰优化算法的长短期记忆网络(Feature Engineering-Northern Goshawk Optimization-Long Short T...由于水质数据特征复杂、关联度参差不齐而导致溶解氧浓度预测难度较大,为提高水质溶解氧浓度预测的准确性,提出了一种基于特征工程和北方苍鹰优化算法的长短期记忆网络(Feature Engineering-Northern Goshawk Optimization-Long Short Term Memory,FE-NGO-LSTM)混合模型。首先对水质数据集进行缺失值补齐、特征筛选与特征多项式构造,然后基于NGO-LSTM模型优化模型参数,提升预测性能;对不同多项式阶数下的特征预测效果进行分析之后,将该模型与基于灰狼优化算法、鲸鱼优化算法及粒子群优化算法的LSTM模型进行对比;最后,在太湖流域东苕溪城南监测断面对该模型进行了验证,计算FE-NGO-LSTM模型预见期为4,8,12,16,20,24 h的预测结果。试验结果显示:当多项式阶数为2阶时,模型预测效果最好,FE-NGO-LSTM模型相比基于其他优化算法的LSTM模型,平均绝对误差、均方误差、均方根误差分别至少降低9.0%,12.9%及6.3%,且随着预见期的增加,预测误差仍在可接受范围内,说明FE-NGO-LSTM模型在预测溶解氧浓度时具有一定优势与泛化性。展开更多
文摘由于水质数据特征复杂、关联度参差不齐而导致溶解氧浓度预测难度较大,为提高水质溶解氧浓度预测的准确性,提出了一种基于特征工程和北方苍鹰优化算法的长短期记忆网络(Feature Engineering-Northern Goshawk Optimization-Long Short Term Memory,FE-NGO-LSTM)混合模型。首先对水质数据集进行缺失值补齐、特征筛选与特征多项式构造,然后基于NGO-LSTM模型优化模型参数,提升预测性能;对不同多项式阶数下的特征预测效果进行分析之后,将该模型与基于灰狼优化算法、鲸鱼优化算法及粒子群优化算法的LSTM模型进行对比;最后,在太湖流域东苕溪城南监测断面对该模型进行了验证,计算FE-NGO-LSTM模型预见期为4,8,12,16,20,24 h的预测结果。试验结果显示:当多项式阶数为2阶时,模型预测效果最好,FE-NGO-LSTM模型相比基于其他优化算法的LSTM模型,平均绝对误差、均方误差、均方根误差分别至少降低9.0%,12.9%及6.3%,且随着预见期的增加,预测误差仍在可接受范围内,说明FE-NGO-LSTM模型在预测溶解氧浓度时具有一定优势与泛化性。
