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。     

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。     

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.     

BP神经网络在流溪河水库径流量预测中的应用

流溪河水库是广州市的主要饮用水源地,所属地区降雨量年际变化大,不利于水资源的优化配置。对流溪河水库径流量进行预测研究,可为其水资源的优化配置提供科学依据。目前人工神经网络(ANN)技术在水文序列模拟预测中有较多的应用,本文根据流溪河水库1959~2000年水文数据,利用BP神经网络对径流量进行预测,从模型检验结果看,所建模型有较好的拟合效果和预测精度,说明神经网络在预测径流量方面有良好的实用性。     

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变化趋势，产生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LSTM的跨海桥梁危化品车辆行驶轨迹预测

我国沿海地区气象环境复杂，跨海桥梁上车辆混杂密集，车流量大、车辆混杂和侧风环境等因素都对跨海桥梁危化品车辆的安全行驶产生了极大的影响，因此跨海桥梁危化品车辆行驶轨迹研究对于加强危化品运输安全管理具有重要的现实意义。针对跨海桥梁危化品运输车辆的轨迹预测问题，利用深度学习方法，建立了一种基于长短时记忆网络(LSTM)与注意力机制的跨海桥梁危化品车辆行驶轨迹预测模型，该预测模型包括信息输入模块、注意力层和轨迹输出模块，并利用沿海一座跨海大桥上危化品车辆行驶环境实测轨迹数据对预测模型的预测性能进行了分析与验证。结果表明：LSTM能适应长时域的车辆行驶轨迹预测，注意力机制提高了预测模型的训练速度；由于考虑了车辆间交互影响因素，该预测模型具有更高的准确性和计算效率，同时LSTM也减少了预测模型在时域较长情况下车辆行驶轨迹预测的误差。     

滦河流域上游地区主要河流水污染特征及评价

在水资源管理与污染控制的研究过程中,进行水质特征分析与评价具有重要意义.本研究选取滦河流域上游地区29个监测站点,在2010年对河流溶解氧、氨氮、高锰酸盐指数等14项指标进行监测,并分别采用了单因子评价法、综合污染指数法、分级评价法、内梅罗污染指数法、模糊综合评价法及水质标识指数法6种方法对该地区主要河流水污染特征进行分析及评价.结果表明,水质标识指数法比较适于滦河流域上游地区河流的评价.单因子水质标识指数显示,该地区的主要污染物为总氮、氨氮、总磷和高锰酸盐指数,基本呈现富营养化状态;29个站点中小东区水质最差,达到劣Ⅴ类水质,且出现黑臭现象;波罗诺、窑沟门、下板城和平泉4个站点水质最好,均达到Ⅰ类标准;在河流总体评价中,柳河污染最为严重.根据评价结果将所有监测站点分为达标和未达标两类,并应用主成分分析和多元线性回归进行分析,结果表明达标站点和未达标站点的污染物的最大贡献者分别是生活污水和工业废水.研究结果对指导滦河流域水污染防治及水资源管理具有重要意义.     

混沌理论在河流溶解氧预测中的应用初探

基于混沌理论、相空间重构思想和嵌入理论分析涟水流域溶解氧的时间序列，计算吸引子维数和最大的Lyapunov指数，研究河流水质系统的复杂性特征。结果表明，河流溶解氧时间序列具有混沌特性，其外在表现为貌似随机的无规则特点；但系统本身内在的、固有的规律(表现在最大的Lyapunov指数)，表明短期预测河流水质变化是可行的，并应用混沌相空间模线性回归模型进行了预测，其预测结果对涟水流域的水质管理和控制具有一定的参考价值。     

基于注意力机制的HDC-BiGRU海表温度预测模型

海表温度（sea surface temperature,SST）是研究全球气候变化的重要地球物理参数,SST的精确预测对全球气候变化、海洋环境和渔业发展具有重要意义。为了提高SST的预测精度,基于时空特征的提取方法,本文提出具有注意力机制的HDC-BiGRU混合模型（HDC-BiGRU-AT,由编码器和解码器构成）,可以预测7天的SST。在模型编码阶段,混合空洞卷积（hybrid dilated convolution,HDC）能够提取SST的空间特征,双向门控循环神经网络（bidirectional gated recurrentunit,BiGRU）能够捕获SST的时序特征。通过加入注意力机制,对输出信息分配不同的权重（重要信息分配更高的权重系数）,进而实现信息编码,在解码阶段可以提高模型的预测精度。选取我国东海和南海海域的二维SST数据进行建模,实验结果表明,HDC-BiGRU-AT模型的误差指标值均低于已有的方法,充分验证了所提方法的可行性、有效性。     

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.     

基于多通道长短期记忆网络的PM2.5小时浓度预报

PM_2.5作为主要的大气污染物之一,严重影响空气质量和人体健康. 基于深度学习的PM_2.5小时预报研究中,不同输入要素的历史时间序列对PM_2.5预报结果的响应情况存在差异. 因此,基于太原市2019—2020年空气质量监测站、气象观测站的数据,提出一种多通道长短期记忆网络(Multi-Channels Long Short Term Memory,MULTI-LSTM)模型对PM_2.5浓度进行预报. 首先使用独立的长短期记忆网络(LSTM)学习每个输入要素,然后将每个模型的学习结果进行融合,最终获得未来多小时的PM_2.5浓度预报结果. 将单通道LSTM模型(BASE-LSTM)和LSTM扩展模型(LSTME)作为对照模型,与MULTI-LSTM模型的预报精度进行对比. 结果表明:不同观测窗与预报时效下,MULTI-LSTM模型在测试集上的预报精度明显高于其他2个对照模型. 其中,MULTI-LSTM模型在8 h观测窗和6 h预报时效组合下,均方根误差(RMSE)、平均绝对百分误差(MAPE)以及拟合指数(IA)分别为20.26 μg/m3、51%、0.91. 对未来逐6 h的预报中,观测窗宽度从8 h增至32 h,MULTI-LSTM模型的预报精度无明显变化,观测窗宽度为40和48 h时,RMSE比8 h观测窗下分别下降了2%和3%. 此外,增加LSTM层深度不会提升模型的预报精度. 研究显示,利用MULTI-LSTM模型作为PM_2.5浓度小时预报模型,通过选取合适的观测窗宽度与气象要素,可获得精度较高的预报结果.      

集成AEC和时空特征的工业园区PM2.5浓度预测

为实现工业园区企业污染排放精细化管控,捕捉工业园区内企业污染排放与污染物浓度之间的响应关系,提出一种集成大气环境容量（AEC）和时空特征的工业园区PM_2.5浓度预测模型.通过有限体积法获得工业园区日均大气自净能力指数（ASI）,结合工业园区日排放数据作为AEC特征;同时利用小波分析和Pearson相关系数法提取时空特征,包括目标监测站PM_2.5浓度的时间变化特征和其与周围监测点PM_2.5的空间相关特征.通过CNN获取训练数据中PM_2.5的关联特征,并利用BILSTM充分反映时间序列训练数据中隐含的关键历史长短期依赖关系,确保快速准确的预测性能,以2018~2020年濮阳市工业园区大气污染物观测数据、气象数据及排放数据进行实验验证.结果表明：本文提出的CNN-BILSTM预测模型相较于传统LSTM模型预测精度提升10%;AEC特征和时空特征有利于提高模型精度和稳定性,集成AEC和时空特征的CNN-BILSTM预测模型在PM_2.5污染天数预测准确率最高,达93%;分季节预测结果表明,秋冬季的预测精度最高.     

基于逆方差多模型融合的空气质量指数预测方法

空气质量预测对合理制定环境治理政策具有重要意义。针对目前单体预测模型存在模型不稳定和泛化能力不强的问题,提出基于逆方差权重分配方法融合3种单体模型的空气质量指数(air quality index, AQI)预测方法。首先,以北京市为例,构建空气质量指数预测数据集;其次,分别构建长短期记忆网络(LSTM)、门控循环单元(GRU)、双向长短期记忆网络(Bi-LSTM)、自回归积分滑动平均模型(ARIMA)和多元线性回归(MLR)5种模型对数据集进行预测,并对比以上模型的预测结果;最后,在多模型融合方法中,选择逆方差法计算预测精度较高的3种单体模型的权重,根据算得权重构建逆方差融合预测模型。与预测精度较高的3种单体模型以及加权平均融合预测模型相比,逆方差融合预测模型对空气质量指数的预测精度R²分别提高3.9%、3.4%、1.6%和0.5%,达到0.933。结果表明：逆方差融合预测模型综合了各单体预测模型的优点,能够提高AQI预测精度。     

基于CEEMDAN-SE和LSTM神经网络的PM10浓度预测

针对PM₁₀浓度时间序列具有明显的非线性和波动性特征,提出一种基于自适应噪声的完整集成经验模态分解（complete ensemble empirical mode decomposition with adaptive noise,CEEMDAN）-样本熵（sample entropy,SE）和长短期记忆神经网络（long short-term memory,LSTM）的组合预测模型。首先利用CEEMDAN-SE将原始PM₁₀浓度时间序列分解为若干个复杂度差异明显的子序列;然后针对各子序列的内在特性结合气象因素分别建立适当参数空间的LSTM预测模型;最后将预测结果进行叠加得到最终预测结果。以唐山市4个空气质量监测站的实测PM₁₀浓度数据进行模型验证分析,结果表明:所提预测模型对比其他几种预测模型显示出较高的预测精度,以及良好的普适性。     

基于深度学习模型的广州市大气PM2.5和PM10浓度预测

精准预测大气污染颗粒物PM_2.5、PM₁₀浓度能为大气污染防治提供科学依据,但目前较多PM_2.5和PM₁₀浓度预测在缺少污染源排放清单和能见度数据时,预测精度不高。而目前深度学习模型应用于PM_2.5和PM₁₀浓度预测的研究还鲜见报道。基于广州市2015年6月1日—2018年1月10日的空气质量和气象监测历史数据,分别构建了随机森林模型(RF)、XGBoost模型2种传统的机器学习模型和长短时记忆网络(LSTM)、门控循环单元网络(GRU)2种深度学习模型,并对广州市的PM_2.5、PM₁₀日均浓度值进行预测。结果表明:在缺少污染源排放清单和能见度数据时,4种模型也能较好地预测PM_2.5、PM₁₀日均浓度。根据MSE、RMSE、MAPE、MAE和R2等评价指标,对4个模型的PM_2.5、PM₁₀预测效果进行测评,得出深度学习GRU模型预测效果均为最佳,RF模型的预测结果均为最差。相比目前研究及应用较多的RF模型、XGBoost模型、LSTM模型,基于深度学习的GRU模型能更好地预测PM_2.5、PM₁₀浓度。     

一种基于深度学习的海表温度混合预测方法

海表温度（SST）是海洋水文的重要参数,准确预测SST对海洋经济发展与极端天气的预防都有重大意义。首先,针对SST序列数据的多噪声特点,采用变分模态分解方法（VMD）预处理,以减少噪声对预测结果的影响。其次,将卷积神经网络（CNN）与长短时记忆网络（LSTM）结合,同时提取SST序列的空间与时间特征,以提高预测精度。最...     

融合SSAE深度特征学习和LSTM网络的PM2.5小时浓度预测

精准的PM_2.5小时浓度短期预测,可以有效地提高空气污染的预报预警能力.针对传统的PM_2.5预测模型中存在的影响因素考虑不全面且影响因素选择方法适用性不强等问题,本文提出一种融合栈式稀疏自编码器（Stack Sparse Auto-Encoder,SSAE）和长短期记忆神经网络（Long-Short Term Memory,LSTM）的PM_2.5小时浓度预测模型.SSAE-LSTM模型综合考虑了时间因素、空间因素、气象因素和空气污染物因素等多种因素对PM_2.5的影响,采用SSAE以无监督方式自动提取PM_2.5抽象影响特征,实现特征的压缩和降维;然后以提取的抽象特征作为LSTM模型的输入,建立PM_2.5时间序列预测模型,挖掘PM_2.5历史序列中的长期依赖特征.为了验证方法的有效性,本文基于2016—2018年京津冀城市群71个空气监测站点的空气数据和气象数据,建立SSAE-LSTM模型对各个站点的PM_2.5浓度进行离线训练和预测实验.预测结果表明,SSAE-LSTM模型预测精度高于其它预测模型,在所有测试集上的一致性指数（IA）高达0.99,均方根误差RMSE与平均绝对误差MAE降到了13.98和7.90.此外,分析了SSAE-LSTM模型在不同季节的适用性,71个空气监测站点在春、夏、秋、冬4个季节测试集的预测值和实测值均有很好的线性关系,决定系数分别是0.86、0.92、0.96、0.93.对北京市万寿西宫站点的预测结果表明,SSAE-LSTM模型可以用于不同空气质量情况下的PM_2.5小时浓度预报,且具有应用上的可行性和可靠性.     

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。