三种水质动态预测模型在米山水库的应用与结果对比

【目的】分析不同水质预测模型的预测精度,探寻最优的水库水质预测方法。【方法】分别构建了季节性差分自回归滑动平均模型(SARIMA)、霍尔特-温特(Holt-Winters)模型和长短时记忆(LSTM)神经网络模型,利用米山水库2012—2018年的月平均电导率观测数据对模型进行训练,利用2019年月电导率实测数据对模型进行验证,考察3种预测模型的准确性和稳定性。【结果】SARIMA模型和Holt-Winters模型仅能考察水质数据的时序演化趋势,预测精度较低;相比之下,LSTM神经网络模型能同时考察水质数据的时序演化趋势及不同时刻之间的前后依赖关系,具有较强的非线性映射能力,预测精度最高。【结论】LSTM神经网络预测模型仅在电导率值突变处误差相对较大,但整体预测效果较为理想,因此在水质预测中更加具有推广价值。