基于CNN-LSTM模型的黄河水质预测研究

• 作者: 王军 高梓勋 朱永明
• 来源期刊: 人民黄河
• 关键词: 水质预测 长短时记忆网络 卷积神经网络 CNN-LSTM模型 小浪底水库 黄河
• 年，卷（期）: 2021,（5）
• 所属期刊栏目: 水环境与水生态
• 页码范围: 96-99,109
• 页数: 5页
• 分类号: X832|TV882.1
• 语种: 中文
• DOI: 10.3969/j.issn.1000-1379.2021.05.018

摘要

水质预测是水资源管理和水污染防治的基础性、前提性工作,但黄河流域水质预测研究相对滞后.为了改善LSTM水质预测模型的性能、提高其泛化能力,根据水质变化具有周期性和非线性的特征,以黄河小浪底水库溶解氧含量为研究对象,构建了一种卷积神经网络CNN和长短时记忆网络LSTM结合的CNN-LSTM预测模型,经试验验证,该模型可以高效地提取水质特征信息并进行时间序列预测,预测误差比LSTM模型的更低,其预测值的平均绝对误差和均方根误差分别比LSTM模型的低19.72％和10.44％,对较大值和较小值的预测更为准确,且具有较好的泛化性能.