应用GM(1,1)模型预测阿什河水质变化趋势

GM(1,1)模型在水质预测中得到了较为广泛的运用。本文应用GM(1,1)模型对阿什河入松花江口内断面中高锰酸盐指数和氨氮两项指标的浓度变化趋势进行了预测,结果表明:高锰酸盐指数浓度呈上升趋势,氨氮浓度呈下降趋势。对比灰色动态模型群和子模型的预测结果精度,发现对于两极分化的数据,模型群预测结果的关联度低于子模型。本文将为制定阿什河水质改善方案提供科学依据。     

应用灰色模糊马尔科夫链预测海河水质变化趋势

灰色GM(1,1)模型在水质预测中得到了较为广泛的运用,但其存在灰色偏差与抗干扰能力弱的局限性,针对这一问题,将马尔科夫链理论与模糊集合理论引入灰色GM(1,1)预测模型,并应用该模型对海河三岔口断面的DO、CODMn和NH3-N 3项指标2012~2016年的浓度变化趋势进行预测.结果表明,2004~2016年,DO及NH3-N浓度大致呈上升趋势,预计2016年分别可达9.15,1.47mg/L;CODMn浓度呈下降趋势,预计2016年可达3.91mg/L.以2012年的数据做验证,灰色模糊马尔科夫链模型的预测精度最高,可作为科学的水质预测方法.     

应用灰色模糊马尔科夫链预测海河水质变化趋势

灰色GM(1,1)模型在水质预测中得到了较为广泛的运用,但其存在灰色偏差与抗干扰能力弱的局限性,针对这一问题,将马尔科夫链理论与模糊集合理论引入灰色GM(1,1)预测模型,并应用该模型对海河三岔口断面的DO、CODMn和NH3-N 3项指标2012~2016年的浓度变化趋势进行预测.结果表明,2004~2016年,DO及NH3-N浓度大致呈上升趋势,预计2016年分别可达9.15,1.47mg/L;CODMn浓度呈下降趋势,预计2016年可达3.91mg/L.以2012年的数据做验证,灰色模糊马尔科夫链模型的预测精度最高,可作为科学的水质预测方法.     

基于长短时记忆神经网络的河流水质预测研究

准确高效地预测河流水质变化趋势对河流水环境治理与保护具有重要意义。该文利用广州市白坭河上自动监测站每2 h的水质数据,从单测站数据时序之间的相关性和上游测站的影响两方面,分别建立长短时记忆网络(LSTM)河流水质预测的循环神经网络模型。模型以氨氮浓度为输出变量,比较了不同输入变量下的模型预测效果,并以最优模型和常用的深度学习算法支持向量机(SVM)进行了比较。结果表明:单测站LSTM模型经输入变量特征选择后的预测结果比仅使用氨氮浓度单变量的时间序列预测更接近真实数值;对加入上游监测站的双测站LSTM模型,输入的变量经过特征选择时,模型预测效果优于全部水质变量作为输入的预测结果,也优于单测站LSTM模型;但不进行特征选择时,输入变量增加,模型学习到噪声而使精度下降;和SVM模型相比,最优特征组合的LSTM模型具有更好的预测效果。研究也表明,对输入变量进行特征选择后,LSTM模型是一种有潜力的河流水质预测方法。     

基于GM(1,1)模型群的阿什河氨氮浓度的预测研究

依据灰色系统理论,以2000年-2009年10年阿什河入江口断面枯水期氨氮浓度构造了一个由6个GM(1,1)模型组成的灰色动态模型群,并运用该模型群对其变化趋势进行了预测分析,得到令人满意的结果。研究表明,灰色动态模型群法能够充分利用近期水质资料信息预测未来水质变化趋势;以模型群统计平均值作为最终预测值,避免了单一灰色模型容易利用不稳定信息的缺陷,使得预测精度更加准确,预测结果更为可信。     

基于GM-RBF神经网络的导弹武器系统使用可用度评估方法 研究

目的研究导弹武器系统使用可用度评估问题,方法通过基于故障数据的使用可用度评估,提出一种基于灰色模型GM（1,1）的径向基函数（RBF—Radial Basis Function）神经网络组合模型。结果该模型克服了灰色理论的长时间序列预估误差大和神经网络的训练样本需求量大、输入变量选取困难等缺点。结论仿真结果表明,GM—RBF神经网络对导弹武器系统使用可用度评估具有评估误差小、精度高等优点。     

山东省辖淮河流域河流水质趋势的灰色预测

目前,灰色系统模型越来越多地应用在水质预测中。山东省辖淮河流域包括南四湖流域和沂沭河流域,流域区域内的河流水质不仅与区域的社会经济发展相互联系,而且也影响着南水北调东线的水质。因此,依据2000-2009年流域内河流的国控断面高锰酸钾指数、NH3-N的监测数据资料,在对数据进行处理的基础上,文章利用灰色GM(1,1)模型结合新陈代谢原理预测河流水质的发展趋势。结果表明:大多数河流水质呈好转的趋势,但河流水环境变好趋势较缓慢,特别是沭河高峰头断面的水质呈变差趋势。河流水质的变化趋势应值得高度重视,为区域水环境保护和制定水环境规划提供参考。     

基于MSLSTM-DA模型的水质自动监测异常数据报警

提出一种基于多元堆叠长短时记忆网络-差值分析(MSLSTM-DA)模型对地表水质异常数据进行报警的方法.该方法首先建立MSLSTM模型对水质指标数据进行预测,再基于预测结果的残差分布建立DA模型,并确定各个指标的数据异常阈值,当实测数据与预测数据差值大于阈值时进行数据报警.以长江流域监测断面的水质数据进行了方法有效性验证.结果表明,构建的预测模型对５个指标的MAE、MAPE均值比BP神经网络预测模型降低21.0%,17.8%,比LSTM模型降低16.8%,17.9%.皮尔逊系数均值比BP神经网络、LSTM模型的分别高5.9%,4.4%.5个指标共检出水质异常数据37条,其中34条经人工判断确实存在有异常,报警准确率高达91.9%.     

基于注意力机制优化的LSTM河流溶解氧预测模型研究

溶解氧(DO)是水体中的重要水质指标,构建数据驱动模型,实现对溶解氧的准确预测,将为水环境管理提供科学有效的技术手段. 考虑到溶解氧序列数据非线性强、非平稳性突出的特点,提出一种基于双阶段注意力权重优化机制的长短时记忆网络(long short-term memory, LSTM)的河流溶解氧预测模型(DAIW-LSTM模型),该模型的编码器包含双阶段权重优化的空间注意力机制,而解码器包含双阶段权重优化的时间注意力机制. 将该模型应用于流溪河流域白云李溪坝、流溪河山庄、从化街口等水质监测站溶解氧日均值预测的研究,开展了该模型与DA-LSTM、LSTM、Bi-LSTM等基线模型的预测效果对比分析,探讨了特征权重优化机制及上游站点水质数据输入对模型预测性能的影响. 结果表明:①通过与基线模型的预测效果对比,验证了DAIW-LSTM模型的精准性,其对白云李溪坝站溶解氧预测的对称平均绝对百分比误差(SMAPE)、平均绝对误差(MAE)、均方误差(MSE)分别为0.075、0.611、0.712,在所有模型中最优. ②对于新的注意力权重优化机制,第二阶段会对第一阶段的初步权重进行优化修正;针对pH、电导率、水温、气温等影响溶解氧预测的重要特征,DAIW-LSTM模型会自适应调整其权重在时间序列上的分布,从而提高该模型的预测精度. ③加入上游水质特征的输入影响,通过9个组合试验对比可知,DAIW-LSTM模型仍然为表现最佳的模型,该系列组合试验也证明上游站点及其特征变量选取的重要性. 研究显示,注意力权重优化机制的引入使得该模型相较其他基线模型展现出更好的适用性和精准性,可为地表水水质预测研究提供新思路.      

Markov灰色残差GM(1,1)模型在滇池观音山断面水质预测中的应用研究

选用2005年-2014年观音山断面水质自动监测资料,利用灰色残差修正GM(1,1)模型对滇池观音山断面pH、DO、CODMn、NH3-N 4个指标2015年、2016年浓度进行预测.结果表明:传统的GM(1,1)模型存在较大预测误差;pH和DO浓度的预测可使用GM(1,1)一次残差修正模型;CODMn和NH3-N浓度的预测可使用GM(1,1)二次残差修正模型.预测2015年观音山断面pH、DO、CODMn、NH3-N年平均浓度分别为8.89、7.96 mg/L、8.9 mg/L、0.31 mg/L;2016年观音山断面pH、DO、CODMn、NH3-N年平均浓度分别为8.92、7.89 mg/L、9.17 mg/L、0.34 mg/L.