基于ED-LSTM模型的不同时长水质预测性能评估

摘要

依靠过程模型进行水质预测，存在基础数据需求杂、应用困难的问题，数据驱动是解决这一问题的重要手段。但水质时序的长期依赖特征对预测精度影响巨大，如何提升数据驱动水质预测精度是当前水质预测研究的重点和难点。通过构建一种具有编码器-解码器结构的长短期记忆网络模型（encoder-decoder long short-term memory,ED-LSTM），并与套索算法（Lasso）、长短期记忆网络（long short-term memory,LSTM）模型进行对比，评估改进模型短、中、长期水质预测能力，并针对不同输出长度的预测提出最佳输入长度标准。结果表明：ED-LSTM在不同步长下都能够实现比Lasso、LSTM模型更优异的预测性能，能够捕捉更多的非线性信息，在变化较为剧烈的指标预测中实现更优异的预测精度，具有更强的稳定性。提出的输入步长标准能为后续不同时期的水质预测提供便利。

关键词

水质预测 / ED-LSTM / 预测精度 / 预测步长 / 数据驱动