基于LSTM的水质预测方法研究

发布时间：2023-03-29 01:16

　　水质预测是根据水质历史监测数据,运用预测模型对水质未来的变化趋势进行预测。水质变化与水体污染息息相关。水质预测是水环境污染防治中的一项基础性工作,对促进水资源的可持续利用与及时的污染防治有着重要的现实意义,在防污预警系统、供水系统、泳滩水质预报系统等发挥着积极作用。时间序列是指按照时间先后顺序依次排列的一组观测值,水质监测站所采集的水质数据便是一种时间序列,随季节呈现周期性变化,具有时序性。水环境是一个受多种因素影响的灰色系统,各水质指标在多种因素的相互作用下,具有复杂的多元相关性。本文在前人研究的基础上,基于水质数据的时序性,将常用于处理时序序列应用问题的长短期记忆神经网络(Long Short Term Memory Neural Network,LSTM NN)引入到水质预测中,建立基于LSTM的水质预测模型对水质指标进行预测;基于水质数据的多元相关性,使用一种改进灰色关联分析算法(Improved Grey Relational Analysis,IGRA)对待预测水质指标进行关联分析,将选出的关联指标与待预测水质指标一同作为输入特征进行预测。本文主要工作有如下:(1)本文对水...

【文章页数】：60 页

【学位级别】：硕士

【文章目录】：
摘要
abstract
专用术语注释表
第一章 绪论
    1.1 研究背景及意义
    1.2 研究内容
    1.3 论文结构安排
第二章 国内外相关研究现状综述与分析
    2.1 水质预测研究现状综述与分析
    2.2 LSTM研究现状综述与分析
    2.3 本章小结
第三章 基于LSTM的水质预测方法
    3.1 基于LSTM的水质预测模型构建
    3.2 基于LSTM水质预测模型计算
    3.3 基于LSTM水质预测方法整体流程
    3.4 实验与分析
        3.4.1 太湖数据集
        3.4.2 数据预处理
        3.4.3 预测结果
    3.5 本章小结
第四章 基于IGRA-LSTM的水质预测方法
    4.1 基于IGRA-LSTM的水质预测模型构建
    4.2 基于IGRA的特征选择
    4.3 基于IGRA-LSTM水质预测方法整体流程
    4.4 实验与分析
        4.4.1 Victoria数据集
        4.4.2 数据预处理
        4.4.3 特征选择
        4.4.4 预测结果
    4.5 本章小结
第五章 总结与展望
    5.1 总结
    5.2 展望
参考文献
附录1 攻读硕士学位期间发表的论文
附录2 攻读硕士学位期间发表的专利
附录3 攻读硕士学位期间参加的科研项目
致谢



本文编号：3773687