-
题名采用堆叠长短期记忆神经网络的水质连续预测方法
- 1
-
-
作者
张建奇
冯乐源
李东鹤
杨清宇
-
机构
西安交通大学自动化科学与工程学院
-
出处
《西安交通大学学报》
2025年第6期93-102,共10页
-
基金
国家自然科学基金资助项目(62373297)。
-
文摘
针对水环境监测中的水质参数异常、预测精度低等问题,提出了一种基于堆叠长短期记忆神经网络(SLSTM)的水质参数预测模型,以解决时序数据不完整带来的挑战。首先,分析了缺失或异常的水质数据时序特征,并基于堆叠长短期记忆网络设计了水质预测的深度神经网络模型;其次,采用逐点预测和多步预测方法对所提模型进行对比实验验证;最后,为了量化模型的预测性能,引入平均绝对百分比误差(MAPE)和均方根误差(RMSE)两类指标,评估SLSTM模型相对于支持向量回归(SVR)和自回归综合移动平均(ARIMA)模型的优越性。实验结果表明,在短期(24h)和长期(48h)水质余氯预测中,SLSTM的预测精度显著高于其他两类模型:在多步预测中,SLSTM的MAPE至少比SVR降低了9.15%;逐点预测中,SLSTM的RMSE至少比SVR降低了31.25%。此外,相较于ARIMA模型,SLSTM能够更有效地捕捉水质数据的非线性变化趋势,提升预测稳定性。研究不仅验证了SLSTM在水质参数预测中的有效性,还为水环境监测领域提供了新的视角和工具。
-
关键词
余氯预测
水质参数预测
数据时序
长短期记忆神经网络
-
Keywords
chlorine residual prediction
water quality prediction
chronological data
long short-term memory
-
分类号
TP31
[自动化与计算机技术]
-
