基于EEMD分解的水环境指标预测方法的研究,使用CNN-BiLSTM
Zhaohua Wang1, Longzhen Duan1, Dongsheng Shuai2
1School of Mathematics and Computer Sciences, Nanchang University, Nanchang, China.
Scientific reports
|January 19, 2024
概括
这项研究引入了一种混合模型,用于预测水质指标,提高溶解氧的准确性. 综合实证模式分解 (EEMD) 与卷积神经网络 (CNN) 和双向长期短期记忆 (BiLSTM) 增强了水资源管理.
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:
- 保护水资源对于社会经济发展至关重要.
- 传统模型与水质数据的复杂,非线性性质作斗争.
- 准确预测水环境指标对于有效管理至关重要.
研究的目的:
- 开发一种新的混合模型,用于增强水质指数预测.
- 解决传统模型在处理季节性,周期性和不确定的水质数据方面的局限性.
- 为了提高预测水质关键指标的准确性,例如溶解氧.
主要方法:
- 集体经验模式分解 (EEMD) 用于信号处理.
- 卷积神经网络 (CNN) 用于特征提取.
- 双向长短期记忆 (BiLSTM) 网络用于时间序列预测.
- 混合模型集成EEMD,CNN和BiLSTM用于水质预测.
主要成果:
- 拟议的混合模型在预测溶解氧气方面表现出卓越的性能.
- 在不同的时间范围内 (4小时,1天,2天) 观察到预测准确度的显著改善.
- 该模型的表现超过了次优模型,预测指数增加了5-7%.
结论:
- EEMD-CNN-BiLSTM混合模型为水质预测提供了一个强大的解决方案.
- 这种方法有效地捕捉到水质指标的复杂动态.
- 这些发现支持应用先进的混合模型,以有效保护和管理水资源.
