基于图卷积STG-LSTM的京杭运河水质时空预测研究

快速精准预测河流水质是城市水管理战略的重要任务,而河流水质因子具有时序性、不稳定性和非线性等特点且受多种因素影响,会造成时空维度上分布差异。针对现有水质因子预测方法大多是单监测站点的时间序列预测,无法描述河流水质因子的空间分布,提出一种基于时空图卷积融合长短记忆神经网络的河流水质时空预测模型(STG-LSTM)。以各监测站点地理位置和水质因子历史观测值为依据,构建时空图来表征各监测站点间的时空相关性。将时空图输入到STG-LSTM模型中,采用图卷积(GCN)提取河流水质数据空间依赖关系,并融合长短时记忆神经网络(LSTM)来获取水质因子数据的时空关联性,实现对未来一段时间运河河段不同位置水质状态的时空预测。用京杭运河常州段上8个监测站点4种不同水质因子数据集进行验证,从预测精度和训练时间两方面,将模型和其他6种预测模型进行比较,并对模型进行可靠性测试。实验结果表明,STG-LSTM模型能以较短的训练时间得到较高的预测精度,实现了对河流不同位置水质的快速精准预测,为城市水管理提供技术支撑。

基于HHO优化的时空水质预测模型

我国水资源现状不容乐观,提高水质预测模型精度对水资源质量监测具有重要意义。为捕捉水质指标时序数据非线性变化趋势,水质指标多基于神经网络模型进行预测。但是现有模型忽略了河流流向,没有考虑上游监测点水质对下游水质的影响;同时现有模型多基于启发式优化算法中的粒子群算法调整神经网络的超参数,但该优化算法仍需设置较多超参数,而参数选取不当容易使模型陷入局部最优。为此,建立了时空水质预测模型(WT‐CNN‐LSTM‐HHO),利用哈里斯鹰优化算法(HHO),基于上游水质数据预测下游的氮、磷和溶解氧水质指标。实验结果显示,本文所提出的模型对水质预测性能有明显提升,可以实现设置较少超参数而达到较高的水质预测精度。

基于改进蒙特卡洛算法的河流水质概率区间时空变化预测研究

文章引入交叉熵抽样方法对蒙特卡洛随机抽样进行优化和改进,并将改进算法结合水动力-水质模型对云南中部某河流水质概率区间时空变化进行预测。结果表明:改进算法在河流主要水质指标趋势的预测精度上好于传统算法;研究河流氨氮浓度在0.33~0.35mg/L的累积概率最高为0.702,而溶解氧浓度在4.31~4.51mg/L,累积概率最高达0.646;改进算法可估算不同概率下各水质指标随时间变化的波动曲线,可以河流水质预警提供关键依据;研究河流中上游出现高浓度氨氮和低浓度溶解氧的概率高于下游。研究成果对于河流水质预警系统构建提供重要依据。