一个统一的深度学习框架用于基于时间频率特征提取和数据特征增强的水质预测
Rui Xu1, Shengri Hu1, Hang Wan2
1School of Computer Science and Information Security, Guilin University of Electronic Technology, Guilin, 541004, China.
Journal of environmental management
|December 28, 2023
概括
一个新的统一的深度学习框架通过使用波形变换处理数据,使用Informer Encoder增强功能,并使用堆叠的双向长期和短期存储网络 (SBiLSTM) 进行预测,准确地预测水质. 这种方法在预测水质方面表现优越.
科学领域:
- 环境科学 环境科学
- 数据科学数据科学数据科学
- 人工智能的人工智能
背景情况:
- 深度学习模型对于预测水质是有效的,因为它们能够绘制非线性关系.
- 模型选择和构造的变化导致不同的预测准确性和性能.
- 需要一个统一的框架来标准化和改进基于深度学习的水质预测.
研究的目的:
- 为准确的水质预测建立一个统一的深度学习框架.
- 集成数据处理,功能增强和预测模块进行全面分析.
- 通过使用现实世界水质数据来评估框架的性能.
主要方法:
- 使用波形变换进行数据处理,将复杂的水文和气象数据分解为频域信号.
- 通过Informer Encoder进行功能增强,以改进时间序列数据的编码和全球时间依赖特征的发现.
- 使用堆叠双向长期和短期内存网络 (SBiLSTM) 进行水质预测,以捕捉特征序列中的本地相关性.
主要成果:
- 该框架应用于丽江河,实现最大相对误差为12.4%的溶解氧 (DO) 和20.7%的化学氧需求 (COD).
- 与其他方法相比,该模型显示出更高的预测准确性,DO和CODMn的RMSE,MAE和SMAPE值较低.
- 废弃试验验证了框架内每个模块的有效性和必要性.
结论:
- 开发的统一深度学习框架为水质预测提供了强大而准确的方法.
- 波形变换,Informer编码器和SBiLSTM的集成显著提高了预测性能.
- 这一框架为环境监测和水资源管理提供了有价值的工具.
