ARIMA-SVR组合方法在水质预测中的应用
针对复杂水域水质变化机理难以掌握、水质预测建模困难且预测精度低的问题,将时间序列分析方法与机器学习方法引入水质预测领域,提出了基于差分自回归移动平均(ARIMA)与支持向量回归(SVR)组合模型的水质预测方法.数据经过预处理后先由ARIMA模型对其进行线性拟合,然后通过SVR模型预测残差以补偿其中的非线性变化.选择巢湖水域2004—2015年间的pH和溶解氧监测数据作为试验样本,通过Hodrick-Prescott(HP)滤波方法分析,结果表明2组数据具有不同的趋势特性和波动特性.根据精度评价指标对比分析模型的预测效果,结果表明组合模型预测精度显著提高,pH和溶解氧预测值与观测值间的相关系数均达到了0.99,均方根误差分别为0.20和0.61,平均绝对百分比误差分别为2.2%和6.6%.本研究所建立的组合预测方法具有较高的预测精度和较强的泛化能力,适用于复杂水域的水质预测.
水质预测、差分自回归移动平均、支持向量回归、组合模型、溶解氧
37
X832(环境监测)
国家自然科学基金项目;北京市科技创新能力建设项目
2020-11-18(万方平台首次上网日期,不代表论文的发表时间)
共7页
21-27