一个新的RF-CEEMD-LSTM模型用于预测水污染.

科学领域:

• 环境科学 环境科学
• 水质管理水质管理
• 数据科学数据科学数据科学

背景情况:

• 准确的水污染预测对于有效的水环境预防和控制至关重要.
• 预测的挑战包括输入变量的不确定性和污染数据的非静止性,非线性性质.
• 现有的模型经常与水污染时间序列的复杂性作斗争.

研究的目的:

• 开发一种新的水污染预测模型 (RF-CEEMD-LSTM),提高预测的准确性和可靠性.
• 结合随机森林 (RF),互补集体实证模式分解 (CEEMD) 和长短期记忆 (LSTM) 模型的优势.
• 分析影响水污染预测的驱动力.

主要方法:

• 提出了一种混合模型:随机森林 (RF) 结合辅助集体实证模式分解 (CEEMD) 和长短期记忆 (LSTM).
• 利用测量数据进行实验验证.
• 进行了驱动力分析,以确定关键的污染变量.

主要成果:

• 在RF-CEEMD-LSTM模型中,水污染预测的平均绝对百分比误差 (MAPE) 低于8%.
• 显著降低根平均平方误差 (RMSE):62.6%与LSTM相比,39.9%与RF-LSTM相比,15.5%与CEEMD-LSTM相比.
• 总 (TN) 被确定为水污染预测中最重要的驱动因素.

结论:

• 拟议的RF-CEEMD-LSTM模型在预测非线性和非静止水污染序列方面表现出卓越的性能.
• 混合方法有效地解决了水污染数据的复杂性,提高了预测准确度.
• 研究结果为确定关键的水污染变量和推进预测方法提供了宝贵的见解.