基于CNN-LSTM模型的黄河水质预测研究

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.

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

所属期刊栏目：43

分类号：X832;TV882.1(环境监测)

资助基金：河南省高等学校重点科研项目;河南省重点科技攻关项目;2021年度河南科技智库调研课题项目

在线出版日期：2021-05-20（万方平台首次上网日期，不代表论文的发表时间）

页数：共5页

页码：96-99,109