分解预测和最佳组合策略改善了河流溶解氧气预测的准确性

科学领域:

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

背景情况:

• 准确的溶解氧 (DO) 预测对于管理河流生态系统至关重要.
• 现有的混合模型用于非线性DO预测往往不足.

研究的目的:

• 提出一个频率划分预测框架,使用最佳的合并方法来增强在河流中的DO预测.
• 解决目前混合模型在捕捉非线性DO动态方面的局限性.

主要方法:

• 利用互补组合实证模式分解与自适应噪声 (CEEMDAN) 来将DO时间序列分解为多个组件.
• 开发了长短期记忆 (LSTM),支持向量回归 (SVR) 和多层感知器 (MLP) 模型,用于独立组件预测.
• 实现了一个受约束的网格搜索算法,用于动态模型组合优化,最大限度地减少平均绝对误差 (MAE).

主要成果:

• 拟议的综合模型显示了与整体模型相比的显著改进,MAE降低了18.6-35.5%,根平均平方误差 (RMSE) 降低了22.1-22.8%.
• 确定系数 (R2) 达到0.954和0.972,表明预测准确度很高.
• 与混合模型相比,观察到3天预测MAE错误积累的显著减少27.2-81.4%.

结论:

• 频率划分预测框架有效地整合了多组件DO系列预测.
• 这种方法为智能流域管理和改善水质监测提供了可扩展的技术解决方案.