对水质情况进行准确评估和预测对水污染防控至关重要,然而,由于水质受多种因素的影响,其时间序列数据常常具有趋势性、季节性和长期依赖关系,传统的预测方法往往无法很好地捕捉这些特征。为了解决这些问题,首先基于STL(Seasonal and Tre...对水质情况进行准确评估和预测对水污染防控至关重要,然而,由于水质受多种因素的影响,其时间序列数据常常具有趋势性、季节性和长期依赖关系,传统的预测方法往往无法很好地捕捉这些特征。为了解决这些问题,首先基于STL(Seasonal and Trend Decomposition using Loess)和TCN(Temporal Convolutional Network)构建STL-TCN水质预测模型。其中,通过STL模型对水质时间序列数据进行趋势和季节性分解,有效地提取时序数据的周期性特征;利用TCN模型中并行结构和残差连接有效捕捉时间序列数据的长期依赖关系,对分解后的数据进行多步预测。然后,选用福建省浪石断面河流的氨氮数据来验证STL-TCN水质预测模型的预测效果,并与基于长短时记忆网络(LSTM)和门控循环单元结构(GRU)的水质预测模型进行对比实验。实验结果表明,STL-TCN水质预测模型12步预测的MAE平均值达到0.0343、RMSE平均值达到0.0494、R^(2)平均值达到0.94737,相对LSTM和GRU,MAE平均提高7.8%和8.1%、RMSE平均提高2.2%和1.8%、R^(2)平均提高7.9%和7.8%。说明STL-TCN水质预测模型能够有效提高水质预测的准确性和稳定性,可以作为辅助水环境管理和决策的一种有效手段。展开更多
文摘对水质情况进行准确评估和预测对水污染防控至关重要,然而,由于水质受多种因素的影响,其时间序列数据常常具有趋势性、季节性和长期依赖关系,传统的预测方法往往无法很好地捕捉这些特征。为了解决这些问题,首先基于STL(Seasonal and Trend Decomposition using Loess)和TCN(Temporal Convolutional Network)构建STL-TCN水质预测模型。其中,通过STL模型对水质时间序列数据进行趋势和季节性分解,有效地提取时序数据的周期性特征;利用TCN模型中并行结构和残差连接有效捕捉时间序列数据的长期依赖关系,对分解后的数据进行多步预测。然后,选用福建省浪石断面河流的氨氮数据来验证STL-TCN水质预测模型的预测效果,并与基于长短时记忆网络(LSTM)和门控循环单元结构(GRU)的水质预测模型进行对比实验。实验结果表明,STL-TCN水质预测模型12步预测的MAE平均值达到0.0343、RMSE平均值达到0.0494、R^(2)平均值达到0.94737,相对LSTM和GRU,MAE平均提高7.8%和8.1%、RMSE平均提高2.2%和1.8%、R^(2)平均提高7.9%和7.8%。说明STL-TCN水质预测模型能够有效提高水质预测的准确性和稳定性,可以作为辅助水环境管理和决策的一种有效手段。
文摘近年来水质预测成为水环境管理领域的热点问题,但是水环境本身的复杂性和动态性导致水质预测时预测精度低、模型稳定性差。针对这些问题,基于最优变分模态分解(Optimality Variational ModeDecomposition,OVMD)、时间卷积网络(TemporalConvolutionalNetwork,TCN)、自回归模型(Autoregression,AR)提出了一种新的水质预测模型。首先,采用OVMD对原始数据进行分解,得到若干个子序列;然后,将分解的子序列作为TCN模型和AR模型的输入进行水质预测,并将两种模型的预测结果进行叠加重构得到最终预测结果;最后,采用龙华溪监测站的总磷数据进行实验验证。结果表明,OVMD-TCN-AR水质预测模型明显优于长短时记忆网络(Long Short Term Memory networks,LSTM)和长短期时间序列网络(Long-and Short-term Time-series network,LSTNet),OVMD-TCN-AR水质预测模型的平均绝对误差为0.00660,均方根误差为0.01166,MAPE为0.0494,拟合度为0.97,说明OVMD-TCN-AR水质预测模型具有较高的可靠性和应用价值。
