基于经验小波变换的鄱阳湖COD_(Mn)预测

作     者：陈伟 金柱成 俞真元 王晓丽 彭士涛 魏燕杰 CHEN Wei;KIM Jusong;YU Jinwon;WANG Xiaoli;PENG Shitao;WEI Yanjie

作者机构：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 交通运输部天津水运工程科学研究院 

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

年 卷 期：2023年第13卷第1期

页      面：180-187页

学科分类：08[工学] 0815[工学-水利工程] 

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

主　　题：水质预测 COD_(Mn) 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_(Mn))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_(Mn)时间序列分解成若干成分,然后利用BLSTM神经网络对分解出来的每个成分进行预测,最后将所有成分的预测结果重建获得最终COD_(Mn)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_(Mn)监测数据为研究对象,进行模型性能验证。结果表明:EWTBLSTM模型具有良好的预测性能,预测未来1 d以后的COD_(Mn)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_(Mn)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_(Mn)峰值处,该模型依然保持较高稳定的预测性能,说明在数据相对复杂、极端的情况下,该模型依然适用。