相关实验视频
在水质参数预测中应用双层规范化门式反复单元 (TLR-GRU) 模型,增强了滑动窗特征
Xianhe Wang1,2, Meiqi Liu3, Ying Li1,2
1School of Computer Science, Zhuhai College of Science and Technology, Zhuhai 519041, China.
Entropy (Basel, Switzerland)
|February 27, 2026
概括
这项研究引入了实时水质预测的新框架,提高了溶解氧和总的准确性. 该方法有效地减少了水文时间序列数据中的噪音和复杂性.
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:
- 传统的水质监测在实时评估方面面临局限性,原因是时间空间覆盖和成本.
- 深度学习模型在原始水文时间序列中与固有的复杂性和噪音作斗争.
研究的目的:
- 开发一个强大的框架,用于高精度,实时预测关键的水质参数.
- 解决水文时间序列数据中复杂性和噪声所带来的挑战,以改善水质评估.
主要方法:
- 整合了滑动窗格功能增强,主要组件分析 (PCA) 以减少维度,以及双层规则化门式循环单元 (TLR-GRU) 模型.
- 利用样本 (SampEn) 来量化时间序列的规律性,并评估降噪技术的影响.
- 在2020-2023年期间从典型的水产养殖灌水体收集和分析了4970个水质记录.
主要成果:
- 拟议的TLR-GRU框架显著提高了溶解氧 (DO) 和总 (TP) 的预测精度.
- 滑窗增强减少了时间序列复杂性 (SampEn) 和噪声,从而提高了模型性能.
- 与基线模型相比,增强的数据集导致了改进的R2值 (例如,DO从0.82到0.93) 和减少的RMSE (例如,TP为55.6%).
结论:
- 开发的框架为实时预测水质提供了高精度的解决方案,其性能优于现有的最先进的深度学习模型.
- 这种方法在管理复杂和杂的水文数据方面是有效的,支持水产养殖及其他领域的可持续水资源管理.
- 未来的研究将专注于模型优化和多源数据的整合,以加强水质监测.
