引入小波分解的Seq2Seq水质多步预测模型研究

针对现有水质预测模型对水质多步预测大多采用向量输出的预测模式,忽略了时序预测的输出之间存在的时序联系,导致水质多步预测性能较差的问题,采用小波分解(WD)分解水质数据来提取隐藏的水质特征,然后基于分解所得的序列,建立以长短时记忆(LSTM)网络作为编码器和解码器的序列到序列(Seq2Seq)的预测模型,以期望解决时序预测的输出序列之间存在的依赖性问题。采用珠江流域老口站的溶解氧数据验证模型进行7日预测的效果,实验结果表明,LSTM模型处理该问题的能力要强于传统的MLP及SVR模型,而在LSTM模型的基础上构成的WD-Seq2Seq模型的预测效果进一步提升,溶解氧的7日预测平均MAE仅有0.1471,7日预测平均MSE仅有0.0412,7日预测平均RMSE仅有0.1973,水质类别的7日预测平均准确率达到93.26%。

资料为PDF文档格式.

本文档关键词:分解,水质,模型,引入,预测