论文部分内容阅读
水质预测是根据水质历史监测数据,运用预测模型对水质未来的变化趋势进行预测。水质变化与水体污染息息相关。水质预测是水环境污染防治中的一项基础性工作,对促进水资源的可持续利用与及时的污染防治有着重要的现实意义,在防污预警系统、供水系统、泳滩水质预报系统等发挥着积极作用。时间序列是指按照时间先后顺序依次排列的一组观测值,水质监测站所采集的水质数据便是一种时间序列,随季节呈现周期性变化,具有时序性。水环境是一个受多种因素影响的灰色系统,各水质指标在多种因素的相互作用下,具有复杂的多元相关性。本文在前人研究的基础上,基于水质数据的时序性,将常用于处理时序序列应用问题的长短期记忆神经网络(Long Short Term Memory Neural Network,LSTM NN)引入到水质预测中,建立基于LSTM的水质预测模型对水质指标进行预测;基于水质数据的多元相关性,使用一种改进灰色关联分析算法(Improved Grey Relational Analysis,IGRA)对待预测水质指标进行关联分析,将选出的关联指标与待预测水质指标一同作为输入特征进行预测。本文主要工作有如下:(1)本文对水质预测的发展历程进行了研究,并对基于不同理论基础的水质预测方法进行了综述与分析;本文对LSTM的发展历程进行了研究,并对不同的LSTM改进结构进行了综述与分析。(2)本文提出一种基于LSTM的水质预测方法,建立了含输入、隐含、输出三层的LSTM水质预测模型,并在太湖水质监测数据集上进行了仿真实验。实验结果表明,该方法可有效挖掘水质指标的时序性进而提高预测的准确度。(3)本文在传统灰色关联分析算法基础上提出一种改进灰色关联分析算法IGRA,将基于IGRA选出的关联水质指标与待预测水质指标一同作为水质预测模型的输入,在太湖和Victoria水质监测数据集上进行了仿真实验。实验结果表明,基于IGRA-LSTM的水质预测方法可充分利用水质指标的多元相关性,采用关联指标作为多特征输入的预测模型在两个数据集上的准确度均有所提高。