基于LSTM-Attention的水质参数预测研究

水质参数预测是当今绿色发展、生态修复的重要一环,但传统水质预测模型准确度低、泛化能力弱、计算复杂耗时,难以满足大数据时代下水质预测的需求。该文以江西赣州禾丰盆地的水质参数作为研究对象,根据水质参数周期性、非线性以及长时依赖的特征,提出一种结合注意力机制(Attention)和长短期记忆网络(LSTM)的模型。实验结果表明,该文提出的模型在多种评价指标下均优于循环神经网络(SimpleRNN)和LSTM,能够有效预测未来水质参数的变化趋势,具有较强的泛化性能。

废水处理中水质监测参数的实时预测研究

针对污水处理厂生化池中参数监测智能化水平不高、人力耗费较大的问题,提出基于麻雀算法-长短期记忆神经网络(Sparrow Search Algorithm-Long Short Term Memory Network,SSA-LSTM)的水质参数预测模型。以污水处理过程中好氧区溶解氧(Dissolved Oxygen,DO)、好氧区混合液悬浮固体(Mixed Liquid Suspended Solids,MLSS)质量浓度、缺氧区DO、缺氧区氧化还原电位(Oxidation-Reduction Potential,ORP)、厌氧区DO和厌氧区ORP 6个关键指标为数据样本,进行实例研究。将SSA-LSTM的预测结果与长短期记忆神经网络(Long Short-Term Memory Network,LSTM)、粒子群算法(Particle Swarm optimization-Long Short Term Memory Network,PSO-LSTM)、深度森林以及支持向量机进行对比分析,结果显示:SSA-LSTM在6个参数上的均方误差(EMSE)和决定系数(R2)均表现出更好的预测性,预测精度最高。

小样本跳变水质时序数据预测方法

根据三峡库区某些断面水质监测数据具有样本小、成库前后数据出现跳变的特点,提出一种适用于三峡库区的水质参数预测模型(ELS-SVM)。ELS-SVM通过建立数据预处理模型对原始小样本时序数据进行处理,增强了时序数据的平稳性,并使用模拟退火(SA)算法优选最小二乘支持向量机(LS-SVM)模型参数。与典型的小样本预测模型的比较实验表明,ELS-SVM模型更适用于三峡库区小样本水质时序数据的预测。