基于经验小波变换的鄱阳湖COD预测

作     者：陈伟 金柱成 俞真元 王晓丽 彭士涛 魏燕杰 

作者机构：交通运输部天津水运工程科学研究院 天津理工大学环境科学与安全工程学院 朝鲜理科大学数学系 

出 版 物：《环境工程技术学报》 (Journal of Environmental Engineering Technology)

年 卷 期：2022年

学科分类：08[工学] 081104[工学-模式识别与智能系统] 0815[工学-水利工程] 0811[工学-控制科学与工程] 

基　　金：中央级公益性科研院所基本科研业务费专项资金(TKS190202，TKS20200405) 天津市科技计划项目(20JCQNJC00100) 

主　　题：水质预测 COD 经验小波变换(EWT) 双向长短期记忆(BLSTM) 机器学习 数学模拟 鄱阳湖 

摘      要：高锰酸盐指数(COD)是衡量水质状况的最重要参数之一，能反映水体受还原性物质污染的程度。结合经验小波变换(EWT)和双向长短期记忆(BLSTM)神经网络，提出了一种先利用EWT将原始的COD时间序列分解成若干成份，然后利用BLSTM神经网络对分解出来的每个成份进行预测，最后将所有成份的预测结果重建获得最终COD预测值的新的混合模型EWT-BLSTM；并以2017年8月—2020年4月鄱阳湖COD监测数据为研究对象，进行模型性能验证。结果表明：EWT-BLSTM模型具有良好的预测性能，预测未来1 d以后的COD时，EWT-BLSTM模型的平均绝对百分比误差为2.25%，与单一BLSTM神经网络模型相比降低了10.53%；预测未来7 d以后的COD时，EWT-BLSTM模型的平均绝对百分比误差为8.36%，与单一BLSTM神经网络模型相比降低了16.16%。在COD峰值处，该模型依然保持较高稳定的预测性能，说明在数据本身相对复杂、极端的情况下，该模型依然适用。