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.      

基于3种时间序列模型的九龙江河流库区藻华预测

湖库富营养化和有害藻华是全球性生态环境问题,藻华预测与早期预警是保障湖库水源地供水安全的关键技术.如何基于高频水生态在线监测数据进行藻华的实时动态预测成为水生态管理领域的重大需求.本研究以福建省九龙江江东库区（水源地）为例,利用3年连续观测的逐时平均总叶绿素a浓度数据,对比研究了SARIMA、Prophet和LSTM（长短期记忆神经网络）3种时间序列模型在藻华（日平均叶绿素a大于15 μg?L^-1）预测方面的效果.结果表明：①时间序列模型要求参数少,灵活性强,能清晰反映水质特征和未来变化趋势,可弥补传统藻类监测预警方法的局限性;②基于深度学习框架的LSTM模型,具有独特的迭代优化算法,对藻类非线性变化特征的识别和预测能力较强,其总叶绿素a逐日预测和7日预测效果均显著优于SARIMA模型和Prophet模型;③输入数据长度会在一定程度上影响模型预测效果,最优的输入数据时间长度为7 d;输入数据频率对预测效果也有影响,在预测非藻华日时,小时数据的预测效果优于日频率数据;在预测藻华日时,两种频率数据 无显著差异,但日频率数据能更准确识别藻华日特征.总结起来,基于LSTM模型实现总叶绿素a浓度的短期预测,可为九龙江河流库区藻华早期预警和供水安全保障提供技术支撑.     

XGBoost-LSTM变权组合模型支持下短期PM2.5浓度预测——以上海为例

为进一步提高PM_2.5浓度预测的精度,基于XGBoost和LSTM进行改进得到变权组合模型XGBoost-LSTM（Variable）.过对预测因子进行相关性分析,得到其它大气污染物和气象因素对PM_2.5浓度的影响,确定最优PM_2.5浓度预测因子,再将预处理后数据集输入LSTM模型和XGBoost模型分别进行预测,采用基于残差改进的自适应变权组合方法得到最终预测结果.结果表明,污染物变量的相对重要性高于气象因子变量,其中当前PM_2.5和CO浓度的相对重要性较高,而平均风速和相对湿度重要性较低.XGBoost-LSTM（Variable）模型的RMSE、MAE和MAPE值为1.75、1.12和6.06,优于LSTM、XGBoost、SVR、XGBoost-LSTM（Equal）和XGBoost-LSTM（Residual）模型.分季节预测结果表明,XGBoost-LSTM（Variable）模型在春季预测精度最好,而夏季预测精度较差.模型预测精度高的原因在于其不仅考虑了数据的时间序列特征,又兼顾了数据的非线性特征.     

基于小波分解及遗传BPNN耦合模型的地表水As浓度预测研究

随着工业的快速发展,水体中污染物超标事件时有发生,造成了较严重的水环境污染问题.水环境监测与预报是环境科学研究的重要内容.为了实现地表水砷（As）污染的准确预报,本研究提出小波分解、遗传算法与BP人工神经网络的耦合建模方法,并结合某河流监测站1998—2016年共19年的地表水质监测数据,通过皮尔逊相关系数和信息指标评价法对模型输入变量进行筛选,最后对比分析了在不同水质参数输入情况下BP人工神经网络（BPNN）、遗传算法改进的BPNN（GABP）、小波-遗传BPNN耦合模型（W-GABP）对后6年（2011—2016年） As浓度预测结果的均方根误差（RMSE）、决定系数（R²）、平均绝对百分比误差（MAPE）,以确立最优模型.结果表明：①多水质参数BPNN、GABP与W-GABP耦合模型预测结果的MAPE分别为17.51%、15.98%、14.46%,单水质参数BPNN、GABP与W-GABP耦合模型预测结果的MAPE分别为18.78%、16.74%、7.83%;②小波分解数据前处理及遗传算法均能较大程度地提高预测模型的精度;③对于地表水水质预报,需对比不同模型在不同输入变量下的预测结果,以获得最佳的预测精度.单水质参数输入的W-GABP耦合模型能较准确地预报地表水As浓度的变化情况,对数据缺乏地区水质监控和地表水As污染防治具有重要意义.     

基于XGBoost选择迁移条件提升LSTM模型河流水质预测能力

准确预测河流水质变化是流域水环境管理的重要基础。目前常用的基于数据驱动的深度学习模型依赖大量的监测数据训练,然而很多河流数据缺乏,无法满足水质预测精度要求。提出了一种基于极端梯度提升模型(XGBoost)的迁移条件选择方法,利用全国河流自动监测站点的水质参数(水温、pH、溶解氧、总氮)数据集,研究建立长短期记忆神经网络(LSTM)模型库,通过迁移学习条件的优化,提升LSTM模型的预测能力。结果表明：1)采用不同源域和迁移方式训练出的模型,其预测精度有很大差异;2)基于XGBoost模型选择最佳迁移条件,迁移模型的预测误差(RMSE)降低了9.6%～28.9%,LSTM模型预测精度明显提升;3)选取合适的迁移方式、选用性质接近的源域数据、增加训练数据量均可以提升迁移模型的预测精度。该建模方法可应用于实测数据少的河流水质预测,为流域水环境精细化管理提供技术支持。     

支持向量机在太湖叶绿素a非线性反演中的应用

根据湖泊监测的特点,采用支持向量机(SVM)方法,反演太湖叶绿素a的浓度分布.将2005年8月太湖29个现场水质监测点数据分为训练测试样本集和验证样本集,利用训练测试样本集以及与其时间同步的MODIS遥感影像,分别构建了4种SVM模型.对比分析表明,直接以波段反射率以及水深信息构成输入向量的SVM模型预测效果最好.利用训练测试样本构建了线性回归模型、主成分分析模型(PCA)以及神经网络模型(ANN),并利用验证数据比较了上述3种模型与SVM模型的预测结果.结果表明ANN模型和SVM模型预测能力明显优于另外2种模型,其中SVM模型对低值和高值均有较好的预测精度,平均相对误差仅为15.91%,预测精度比ANN模型提高了10%.利用SVM模型和ANN模型分别反演了2005年8月15日太湖叶绿素a浓度分布,比较了2种模型反演结果的异同,分析了太湖叶绿素a分布特征及其成因.     

温榆河氨氮污染控制措施的效果模拟

以城市退水为主要补给水源的北京市温榆河呈现以氨氮(18.68 mg·L-1)污染为主的特征.针对温榆河的水质改善需求,本研究以氨氮为目标污染物,采用QUAL2K河流水质模型和情景分析方法,对温榆河污染防治与水质改善措施的效果进行量化评估.模拟结果表明,提高污水厂的处理量和排放标准是改善温榆河水质的关键,可降低温榆河北关闸断面氨氮浓度29.66％;建设旁路离线河流净化器可削减5.57％的氨氮污染,是温榆河水质改善的有效措施.本研究提出的包括改善上游来水水质、干流截污、支流污染控制、污水厂提标改造、建设旁路离线河流净化器和生态河道等措施在内的综合实施方案,可使得温榆河的水质全程达到地表水V类标准.     

基于深度学习的排污口污染物浓度预测研究

入河排污口是污染物进入生态环境的最后一道关口,预防超标排放是改善流域生态环境质量的基础.为实现排口超标排放事前预警,本研究以长江泰州段两类典型排口(污水处理设施排口和工业企业清净下水排口)为例,利用排口污染物监测数据与气象数据,基于长短期记忆神经网络(LSTM)、门控循环单元(GRU)、卷积循环神经网络(CRNN)等深度学习算法构建多污染因子(总氮、氨氮、COD、总磷)浓度预测模型,并结合SHAP分析结果识别影响排口水质预测的重要因素.结果表明：(1)单层与双层GRU模型在排污口未来6 h污染物浓度预测中表现较好,R²可达0.67～0.81;(2)自相关变量的累积重要性绝对值占比超80%,对排口污染物浓度预测的影响显著大于其他输入变量.该方法有潜力拓展应用至其它排污口类型及其它污染因子的浓度预测,为排口污染预警和全链条管理提供技术支撑.     

再生水补给型城市河流水质改善效果模拟

再生水是干旱和半干旱地区河流重要生态水源之一,但其高营养盐含量极易导致河流发生富营养化,严重影响河流水生态安全。以再生水补给型城市河流北京市凉水河为例,构建基于MIKE11的水动力水质耦合模型,应用实测水文水质数据率定和验证河流水质模型参数。结合区域污染源特征设定不同情境方案,并通过模型模拟分析不同方案下水质改善效果响应关系。结果表明:点源污染截流是改善凉水河水质的关键,可降低大红门闸断面氨氮浓度51.8%、TP浓度43.3%,其次为污水处理厂系统完善、生态河道建设和降雨面源控制。该研究提出在包括上述4项在内综合治理措施下,水质改善效果最为显著,大红门闸断面氨氮和TP年均浓度分别为0.969 mg/L和0.214 mg/L,满足地表水Ⅳ类水体标准。     

基于长短期记忆网络-卷积神经网络(LSTM-CNN)的北京市PM2.5浓度预测

准确预测PM_2.5浓度可以有效避免重污染天气对人体带来的危害。现有方法往往重视本地历史信息对PM_2.5浓度预测的影响,而忽略空间传输的作用。提出了一种长短期记忆网络和卷积神经网络(LSTM-CNN)相结合的方法,利用历史PM_2.5浓度数据、历史气象数据和时间数据,对空气质量监测站未来6 h PM_2.5浓度做出预测。该模型主要由2部分组成:1)基于长短期记忆网络的时序预测模型,模拟本地因素对PM_2.5浓度预测的影响;2)基于一维卷积神经网络的特征提取模型,模拟周边地区污染物的传输与扩散对PM_2.5浓度预测的影响。随机选取了北京市市区及郊区7个监测站在2014-05-01—2015-04-30期间的数据,用于研究和评估LSTM-CNN模型。结果表明:提出的LSTM-CNN模型相比于LSTM模型具有更好的预测效果,且对于郊区站点预测效果的改进略优于市区站点。     

机器人对话中的情感倾向性分类模型研究

如何使机器人能够像普通人一样识别情感,有针对性地与人聊天是目前人工智能领域研究的核心问题。将情感识别任务看成一个分类问题,构建了两种分类模型,一是基于PCA-SVM的情感倾向性分类模型,有效地提取主要特征,从而转换到一个低维空间去处理数据,有利于提高分类效率和质量;二是基于LSTM的情感倾向性分类模型,利用Word2vec进行特征选择与组合,送入长短记忆神经网络(LSTM)进行特征表示学习,输出分类结果。实验表明,针对中小规模的评论语料数据,LSTM模型比SVM模型的分类效果更好。     

太湖入湖河流总氮与氨氮相关性特征分析研究

针对河流缺少总氮环境质量标准的问题,以太湖流域入湖河流历年多组实测监测数据为基础,选择总氮与氨氮两项指标,开展太湖入湖河流总氮与氨氮相关性研究,总结数据的潜在规律,为有效控制氮排放提供技术支撑.结果表明:氨氮和总氮浓度呈现明显的正相关性.不同水质类别河流中氨氮和总氮关系呈现不同特征,对于Ⅴ类和劣于Ⅴ类等污染较重水体,水体中氨氮形态存在的氮化合物占比较高;对于水质类别较好的水体,氮化合物以其它形态为主.太湖入湖河流以氨氮形态存在的氮化合物总体较高,太湖入湖河流新旧污染同时存在现象较明显.     

基于wavelet-SVM的PM10浓度时序数据预测

太原是以煤炭为主要能源的重工业城市,PM_(10)(particulate matter)是太原市的主要大气污染物,因此研究其变化趋势,并给出污染物浓度预测结果,为相关部门进行大气污染防治,为突发污染事件应急提供理论支持是一项非常重要的工作.支持向量机(support vector machine,SVM)应用于PM_(10)污染物浓度时序数据预测时,表现出良好的泛化能力.在预测模型建立过程中通常选择历史数据作为学习模型的输入特征,然而这样的数据表示形式,结构单一,信息表达不完备,在很大程度上将影响预测模型的泛化能力.本文以山西省太原市城区4个监测站点的PM_(10)日浓度数据为研究数据,通过小波变换(wavelet transform)将一维输入数据转化为由低频信息和高频信息构成的高维数据,并以该数据为输入数据建立wavelet-SVM预测模型.结果表明,相较于传统SVM模型预测,wavelet-SVM模型预测结果具有更高的精度,尤其能更加准确捕捉到PM_(10)浓度突变点,为大气污染预警提供有效信息支持,并且wavelet-SVM模型对于PM_(10)浓度时序数据变化趋势的预测精度有明显提升,能更好地预测PM_(10)浓度变化趋势,揭示PM_(10)浓度时序数据内在规律.     

耦合遗传算法与RBF神经网络的PM2.5浓度预测模型

基于北京市空气质量监测点获取的空气污染物浓度数据,通过遗传算法搜索径向基人工神经网络的最优隐含层神经元数目和扩展常数,构建了耦合径向基人工神经网络算法与遗传算法的预测模型,预测北京市未来一天24h平均PM_2.5质量浓度.结果表明,预测精度与泛化性能良好.该模型不需要输入气象和地理位置信息等数据,具有依赖变量少、预测精度高（R²达0.75）和运算效率高等特征,并可以通过训练样本的驱动,使自身不断优化调整.该模型预测效果可以通过扩展输入特征、增加训练样本量等方法进一步提升,可对多种时空情境下的城市空气污染进行高效率且精确的预测.     

基于Wavelet-LSTM模型的北京空气污染物浓度预测

文章为了达到精准预测北京市空气污染物浓度目的,应用小波分解变换(wavelet transform)和长短期神经记忆网络(long short-term memory,LSTM)相结合的方法,建立Wavelet-LSTM空气污染物浓度预测模型,对北京市6项空气污染物浓度预测。研究首先通过小波分解变换将日空气污染物浓度的历史时间序列分解为不同频率并重新组合为高维训练数据集合;其次使用高维数据集训练LSTM预测模型,重复试验调整参数,获得最优预测模型。研究结果表明,组合模型对于污染物浓度预测比传统LSTM模型的预测精度和稳定性更高。     

基于HHO-CNN-LSTM的CMAQ修正模型及其在上海市空气质量预报中的应用

建立空气质量预报模型，预测污染物浓度对人类健康和社会经济发展具有重要意义。然而，传统的空气质量模型CMAQ对污染物浓度的预报精度并不理想。对此，本文提出了一种基于卷积神经网络(CNN)和长短期记忆神经网络(LSTM)的空气质量预报修正模型，并使用哈里斯鹰算法(HHO)对模型的超参数进行优化；用CMAQ模型对上海市2022年12月六种大气污染物(SO₂、NO₂、PM₁₀、PM_2.5、O₃、CO)浓度的预报数据以及监测站的气象数据和污染物浓度实测数据作为HHO-CNN-LSTM模型的输入，对CMAQ模型预报结果进行修正。使用均方根误差(RMSE)、平均绝对误差(MAE)和一致性指数(IOA)作为评价指标。结果显示，修正模型显著提高了六项污染物浓度的预测精度，RMSE减少了73.11%～91.31%,MAE减少了67.19%～89.25%,IOA提升了35.34%～108.29%。同时针对HHO算法陷入局部最优而导致修正模型对CO浓度预测效果不佳的问题，使用高斯随机游走策略对HHO算...     

河流水质随机预测与综合整治风险优化决策模型

本文将提出两个数理模型：已知上游来水及其各排污水河口废水流量及污染物浓度的均质及其变异系数，怎样计算控制断面达到各种水质目标的概率？即河流水质随机预测问题；给定控制断面水质目标及其达标概率，即随机风险水质目标的要求，怎样计算最优、较优等综合整治方案？即水污染综合整治风险优化决策问题。     

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。     

BP模型在河流水质预测中的误差分析

为验证BP模型在河流水质预测中的有效性,利用仿真技术模拟一条河流污染物的变化趋势,并得到大量的河流水质参数数据.用上游已知河段的水质数据预测该河流下游10个检测断面的水质状况.预测过程分2种情况进行:长距离预测(一次连续预测下游10个河段)和短距离预测(每次连续预测下游2个河段),并以MSE函数生成均方误差作为对2种预测方法性能的检验.结果显示,长距离预测的性能低于短距离预测,2种方法对溶解氧预测的均方误差为0.432和0.035,对生化需氧量预测的均方误差分别为0.243、0.055.     

基于MRMR-HK-SVM模型的PM2.5浓度预测

以赣州市2017年全年的空气质量和气象数据为研究对象,通过最大相关最小冗余算法（MRMR）提取出最优的特征子集,并将其作为预测模型的输入数据,同时构造混合核函数（HK）对传统的支持向量机模型（SVM）进行改进,最终建立MRMR-HK-SVM模型.实验结果表明,MRMR-HK-SVM模型有着更低的平均绝对误差（MAE）、平均绝对百分比误差（MAPE）和均方根误差（RMSE）,相较于传统SVM模型,预测结果平均绝对误差下降了26.9%,且能更加准确的追踪到PM_2.5浓度的突变时刻.可见,MRMR-HK-SVM模型具有更好的泛化能力,能够更加精确地预测PM_2.5浓度.