来源：期刊VIP网 时间：
作者：张建奇;冯乐源;李东鹤;杨清宇;
单位：西安交通大学自动化科学与工程学院;西安航天自动化股份有限公司;西安交通大学精密微纳制造技术全国重点实验室;
摘要：针对水环境监测中的水质参数异常、预测精度低等问题，提出了一种基于堆叠长短期记忆神经网络(SLSTM)的水质参数预测模型，以解决时序数据不完整带来的挑战。首先，分析了缺失或异常的水质数据时序特征，并基于堆叠长短期记忆网络设计了水质预测的深度神经网络模型；其次，采用逐点预测和多步预测方法对所提模型进行对比实验验证；最后，为了量化模型的预测性能，引入平均绝对百分比误差(MAPE)和均方根误差(RMSE)两类指标，评估SLSTM模型相对于支持向量回归(SVR)和自回归综合移动平均(ARIMA)模型的优越性。实验结果表明，在短期(24 h)和长期(48 h)水质余氯预测中，SLSTM的预测精度显著高于其他两类模型：在多步预测中，SLSTM的MAPE至少比SVR降低了9.15%;逐点预测中，SLSTM的RMSE至少比SVR降低了31.25%。此外，相较于ARIMA模型，SLSTM能够更有效地捕捉水质数据的非线性变化趋势，提升预测稳定性。研究不仅验证了SLSTM在水质参数预测中的有效性，还为水环境监测领域提供了新的视角和工具。
关键词：余氯预测;;水质参数预测;;数据时序;;长短期记忆神经网络
基金资助：国家自然科学基金资助项目(62373297)
