基于EMD-Multi-Modal-LSTM的多尺度组合水质预测模型——不同水质断面的视角

本文以地表水氨氮因子作为水质分析的研究对象,将系统降噪方法(Seasonal-HybridExtreme Studentized Deviate test,S-H-ESD)、经验模态分解(Empirical Mode Decomposition,EMD)方法和多模态输入长短期记忆模型(Multi-Modal Long Short-Term Memory,Multi-Modal-LSTM)相结合,构建了一个多尺度模态组合预测模型,EMD-Multi-ModalLSTM。在模型构建过程中,首先通过S-H-ESD算法对原始波动数据进行系统性降噪;其次,对降噪后的序列采用EMD分解为不同特征尺度的本征模态分量(IMF)和一个趋势项。在此基础上,对各分量再分别结合其他相关的序列信息,单独构建Multi-Modal-LSTM模型,并进一步通过集成各预测分量获得整体氨氮序列预测值。以珠三角地区两种不同水质断面氨氮浓度为例进行实证分析,结果表明本文方法相比于传统机器学习算法及深度学习算法具有更高的模型预测精度,且对数据波动较大的氨氮序列及高浓度时刻预测效果提升明显,预测性能更加稳定。