基于深度学习的水环境时间序列预测方法研究

发布时间：2023-08-18 20:47

　　水质预测是水环境污染防治的重要方面,利用长期大量收集的水质监测数据就可以对水质污染趋势进行预测,这对水环境的管理和规划具有重要意义。针对如何及时有效地预测水质这一问题,本研究提出一种整合的水质预测模型,这一模型可以基于历史的水质监测数据预测未来一段时间多个时刻的水质状况,为水资源的有效调控与管理提供预先的数据指导。本研究所做的贡献主要体现在两个方面,包括对水质数据的预处理和提出采用基于注意力机制的序列到序列的深度学习模型进行水质预测,具体如下:首先是针对水质的时间序列的预处理。本研究所使用的数据集为国家地表水水质自动监测实时数据发布系统发布的水质指标数据集,在获取原始数据后,就需要进行数据预处理。这一过程中包括缺失值补充、标准化处理和平滑降噪三个重要内容。插入缺失值来保证序列数据等间隔,即在同等时间粒度下的水质指标分布;标准化后的时间序列中,各水质指标的数值范围一致,能使后续的预测模型具有更好的精确性;在自然环境中存在的异常事件会使水质突变,产生的噪声数据会影响水质序列的数据分布,这将会大大影响训练生成模型的准确性。为了降低噪声数据的影响,需要对原始时序数据进行降噪处理,去除数据中的噪...

【文章页数】：65 页

【学位级别】：硕士

【文章目录】：
摘要
Abstract
第1章 绪论
    1.1 研究背景与意义
    1.2 国内外研究现状
    1.3 本文研究内容与贡献
    1.4 本文组织结构
第2章 预测算法综述
    2.1 水质时序预测的经典模型
        2.1.1 差分整合移动平均自回归模型
        2.1.2 支持向量回归模型
    2.2 神经网络模型
        2.2.1 人工神经网络
        2.2.2 长短期记忆神经网络
    2.3 基于注意力机制的序列到序列模型
        2.3.1 序列到序列模型
        2.3.2 基于注意力机制的序列到序列模型
    2.4 本章小结
第3章 数据集与序列平滑
    3.1 数据集
        3.1.1 数据集简介
        3.1.2 水质时间序列
        3.1.3 数据补全
        3.1.4 数据标准化
    3.2 序列平滑方法
        3.2.1 中值滤波
        3.2.2 均值滤波
        3.2.3 Savitzky-Golay(SG)滤波器
        3.2.4 不同滤波算法的实验分析
    3.3 本章小结
第4章 单要素的水质预测实验分析
    4.1 实验准备及数据预处理
        4.1.1 模型评价方法
        4.1.2 时序数据转换为有监督数据
    4.2 单要素水质预测模型
        4.2.1 基于ARIMA的水质预测模型
        4.2.2 基于SVR的水质预测模型
        4.2.3 基于ANN的水质预测模型
        4.2.4 基于LSTM神经网络的水质预测模型
    4.3 实验结果分析
        4.3.1 实验总结
        4.3.2 实验结果分析
    4.4 本章小结
第5章 多要素水质预测实验分析
    5.1 实验准备及数据预处理
        5.1.1 特征筛选方法
        5.1.2 损失函数选择
    5.2 多要素水质预测模型
        5.2.1 序列到序列模型的多要素水质预测
        5.2.2 基于注意力机制的序列到序列的多要素水质预测
    5.3 实验结果分析
        5.3.1 实验总结
        5.3.2 实验结果分析
    5.4 本章小结
结论
参考文献
攻读硕士学位期间取得的研究成果
致谢



本文编号：3842922