基于改进PatchTST的多步水质预测模型

摘要

随着城镇化和工业化进程的持续推进，水资源污染问题愈发凸显，提高水质预测模型的精度对有效管理水资源和保护生态环境至关重要。针对水质时间序列多步预测面临的复杂非线性关系建模与计算效率问题，本文提出一种改进PatchTST模型。该模型通过3个关键模块优化：1)设计轻量级CMixer编码器替代传统Transformer编码器，通过一维卷积和残差连接高效提取时序特征，降低计算负担；2)引入自适应中频能量优化器(AMEO),增强时序中频谱信息，提高对水质参数周期性变化的感知能力；3)设计基于切比雪夫多项式与Kolmogorov-Arnold表示定理的CKAHead预测头，增强对复杂非线性关系的建模能力。在长江流域宜宾市石门子断面溶解氧预测中，改进模型的MSE较PatchTST降低12.9%,较iTransformer降低14.0%,同时计算效率与资源消耗也得到平衡。此外，在5个不同监测断面的泛化验证中，48 h预见期任务上MSE较次优模型平均降低约10%。实验结果表明，改进模型有效提高了水质多步预测的精度与计算效率，对环境时间序列分析与水质预测研究有一定的参考价值。

关键词

水质预测 / 时序预测 / PatchTST / 深度学习 / 水质监测