基于深度学习的旧金山湾水质预测

摘要

传统的水质预测模型计算复杂,且在大对流情况下会引发误差,对于大数据时代下智能化的水质预测问题并不适用。本文针对旧金山湾地表水质研究区的数据资料,利用数据分析、统计检验、深度学习时序模型等技术方法对该研究区的水质进行研究,根据主成分信息构建了长短时记忆(LSTM)循环神经网络模型,对研究区的5个地表水质采样站点进行了水质预测。结果表明:长短时记忆循环神经网络模型通过门控制循环和记忆单元结构,有效控制传入模型的输入特征,从而降低模型的复杂度;双层长短时记忆循环神经网络模型较单层长短时记忆循环神经网络模型的预测精度平均提高5.3%。利用LSTM模型可以对旧金山湾地表水质进行有效评价。