基于PCA-Informer⁺模型的周期性甲烷菌体浓度预测研究

摘要

厌氧发酵是一种重要的生物技术，然而现有的检测技术无法实时测量发酵周期中甲烷菌体的浓度值，导致难以准确监测发酵状态.针对此问题，提出了基于改进Informer深度学习模型的周期性甲烷菌体浓度预测方法 .首先，基于Informer构建基础预测模型；其次，利用PCA主成分分析，将特征变量从8维降低至3维，优化模型的输入，提高预测效率；然后，根据周期中每个时间点的重要性建模设计WeightedMSELoss损失函数，以更好地适应周期性甲烷菌体浓度预测任务；最后，融合特征变量、位置编码和周期编码，提高模型捕获长期依赖的能力.实验结果表明：Informer相较于长短期记忆网络（LSTM）、循环神经网络（RNN）、门控循环单元（GRU）在周期性甲烷菌体浓度预测任务上效果最好，且基于Informer改进的PCA-Informer+模型，平均绝对误差（MAE）、均方根误差（RMSE）相较于原Informer模型分别下降了26%、11%，模型效率提高了18%，实现了较为快速准确的甲烷菌体浓度预测.

关键词

Informer模型 / 菌体浓度预测 / 主成分分析