基于CNN_LSTM模型的常州河流水质预测研究

摘要

实时准确监测河流水质是城市水管理战略的首要任务。溶解氧浓度是评价河流水质优劣的重要指标之一,也是维持水中高等生物生存的重要条件。因此获得准确可靠的溶解氧预测结果对于河流水体的管理和预警至关重要。首先,通过灰色关联度分析得到影响水体溶解氧含量的关键水质因子,即总磷、氨氮、高锰酸盐含量和pH值,进而卷积长短记忆神经网络(CNN;STM)的提出是为了提取溶解氧和其它水质因子之间深层复杂的相关特征,降低了不同信息之间特征的耦合,提高模型的预测精度并降低了模型训练时间。以实际采集京杭运河常州段溶解氧数据为研究对象进行了模拟实验,并从预测精度和训练时间两方面进行评价。实验表明:该模型的评价指标均方根误差(RMSE)和决定系数(R;)分别为0.429和0.953,其评价指标均优于其他对比模型。CNN;STM模型能够以较短的训练时间得到较高的预测精度,能为城市水管理提供技术支撑。