一种基于两阶段数据处理和机器学习的新型混合模型,用于预测水库中的甲度

科学领域:

• 环境科学 环境科学
• 数据科学数据科学数据科学
• 水资源管理 水资源管理

背景情况:

• 准确的叶绿素-a (Chl-a) 预测对于在水库中早期检测藻类繁殖至关重要.
• 由于复杂的水环境相互作用和非静止的水质数据,对Chl-a的多变量时间序列预测具有挑战性.

研究的目的:

• 提出一种新的预测模型,SGMD-KPCA-BiLSTM (SKB),用于增强的Chl-a度预测.
• 解决水质监测中非线性关系和非静止数据的挑战.
• 为了提高藻类繁殖早期预警系统的准确性和效率.

主要方法:

• 组合的Symplectic Geometry模式分解 (SGMD) 和内核主要组件分析 (KPCA) 进行最佳的非线性数据子集选择.
• 使用双向长短期记忆 (BiLSTM) 模型进行时间序列预测.
• 使用Sparrow搜索算法 (SSA) 优化模型超参数.

主要成果:

• 在Chl-a预测中,SKB模型表现出卓越的性能,达到R2=96.19%,RMSE=1.05,MAE=0.65,MAPE=0.08.
• 与BP,SVR,LSTM,CNN-LSTM,BiLSTM,SGMD-LSTM,SGMD-KPCA-LSTM和SGMD-BiLSTM等单一和混合模型相比,预测错误显著减少.
• 展示了可靠的多步预测能力,性能随着预测时间的增加而逐渐下降.

结论:

• SKB模型提供了一个强大的解决方案,用于从在线监测系统中预测非光滑和非线性Chl-a序列.
• 这种方法为水库缩控制和预防提供了一个潜在的战略.
• 介绍了一种用于推进水质预测和管理的创新方法.