污水处理厂作为水资源保护的重要设施,其核心任务之一是监控和预测再生水的排放指标。由于污水排放数据具有高复杂度和场景一致性差等特点,传统的时序预测方法效果有限。为此,提出一种新型工业时序预测模型SSP-GLM(Sewage-oriented Seri...污水处理厂作为水资源保护的重要设施,其核心任务之一是监控和预测再生水的排放指标。由于污水排放数据具有高复杂度和场景一致性差等特点,传统的时序预测方法效果有限。为此,提出一种新型工业时序预测模型SSP-GLM(Sewage-oriented Serial data Processing Generative Large Model),该模型通过将时间序列划分为子序列,利用深度卷积神经网络(CNN)提取局部特征,并结合生成式大模型(GLM)进行时序推理,提高了预测准确度。基于西安市两处污水处理厂的真实出水数据进行了实验,采用均方误差(MSE)和平均绝对误差(MAE)作为评估指标。结果表明,SSP-GLM在全量样本和小样本学习场景下均优于GRU、DLinear和Autoformer等基线方法,特别是在小样本条件下,其对复杂时序特征的捕捉能力显著增强。SSP-GLM在不同污水处理厂的数据上展现出良好的泛化能力,为工业污水处理的智能化管理提供了有力的技术支持。展开更多
文摘污水处理厂作为水资源保护的重要设施,其核心任务之一是监控和预测再生水的排放指标。由于污水排放数据具有高复杂度和场景一致性差等特点,传统的时序预测方法效果有限。为此,提出一种新型工业时序预测模型SSP-GLM(Sewage-oriented Serial data Processing Generative Large Model),该模型通过将时间序列划分为子序列,利用深度卷积神经网络(CNN)提取局部特征,并结合生成式大模型(GLM)进行时序推理,提高了预测准确度。基于西安市两处污水处理厂的真实出水数据进行了实验,采用均方误差(MSE)和平均绝对误差(MAE)作为评估指标。结果表明,SSP-GLM在全量样本和小样本学习场景下均优于GRU、DLinear和Autoformer等基线方法,特别是在小样本条件下,其对复杂时序特征的捕捉能力显著增强。SSP-GLM在不同污水处理厂的数据上展现出良好的泛化能力,为工业污水处理的智能化管理提供了有力的技术支持。
