基于粒子群优化的GRU广东省跨境断面水质预测模型研究

水质预测是跨界断面环境风险分析的重要方法,对水质监控和水源保护具有重要作用。GRU是水质预测的常规模型,但广东跨界断面众多、水质数据变化较大,不同断面不同时间段的GRU水质预测需要对超参数进行多次训练调整,以保证模型获得较高的精度。为快速简便地实现GRU模型的迁移使用,提出了PSO-GRU水质预测模型,引入粒子群优化算法,对GRU的超参数进行优化,减少了超参数设置的经验性和随机性,提高模型预测精度。构建PSO-GRU水质预测模型的步骤主要为,1)分析水质特征,确定滑动窗口,构建数据集(训练集、验证集、测试集);2)设置PSO-GRU的相关参数的初始值,通过计算PSO的适应度值来获得新的GRU超参数,经过迭代,追踪超参数局部最优解和全局最优解,最终得到全局最优超参数;3)将最优超参数构建GRU模型进行水质预测。将PSO-GRU用于8个跨境断面水质预测,并与LSTM、GRU模型进行对比,结果表明,1)PSO-GRU模型拥有较好的泛化性,能够在8个跨境断面水质预测中迁移使用,并取得较好的预测结果,达到应用要求。2)LSTM、GRU超参数的设置需要经过多次试验,且难以获得超参数的全局最优值,P...     

基于注意力机制优化的BiLSTM珠江口水质预测模型

为提高珠江口水质预测精度和稳定性,提出了基于时间和特征双注意力机制优化的BiLSTM水质预测模型,引入特征注意力机制强化模型捕获参数重要特征能力,加入时间注意力机制提高对时间序列相关性信息及水质波动细节信息的挖掘能力.将新模型应用于珠江8个入海口水质预测,开展预测性能试验、泛化能力试验和特征参数扩展性试验.结果表明:①新模型在珠海大桥水质预测取得了较高的预测精度,预测值与实测值的均方根误差RMSE为0.004 1 mg·L^-1,决定系数R²为98.3 %.与Multi-BiLSTM、Multi-LSTM、BiLSTM和LSTM对比,表明新模型预测精度最高,验证了模型的精准性.②训练样本数量和预测步数均对模型预测精度产生影响,模型预测精度随着训练样本的增加而提升,海珠大桥断面总磷预测时,240组以上训练样本可获得较高预测精度;增加预测步数,会使模型预测精度迅速下降,预测步数大于5步时无法保障模型预测的可靠性.③将新模型应用于珠江8个入海口不同水质指标预测,预测结果均取得较高精度,模型具有较强的泛化能力;输入对象断面预测指标相关联的上游来水、降雨量等特征参数,能够提高模型预测精度.通过多方面多次试验,结果表明新模型能够较好地满足珠江口水质预测精度、适用性和扩展性要求,为复杂水动力环境水体水质高精度预测进行了新的探索.