来源：期刊VIP网 时间：
作者：张景琳;张艳军;罗兰;葛召华;王逸凡;
单位：武汉大学水资源工程与调度全国重点实验室;山东省水利厅;
摘要：基于长短期记忆网络(long short-term memory network, LSTM)、门控循环单元（gated recurrent unit, GRU）、时序卷积网络(temporal convolutional network, TCN)3种深度学习模型，并考虑水质指标之间的相互关系，根据输入模型的水质指标数量，设计单因子、两因子、五因子3种预测方式，对孝妇河水质监测数据中氨氮、化学需氧量、pH、溶解氧、高锰酸盐指数这5项指标的时序变化情况进行预测。对比分析不同组合的预测结果可得：两因子预测中相关关系较强的组合的预测效果比相应的单因子预测要好，五因子预测效果不如相应的单因子预测效果。结果表明：考虑水质指标关系的深度学习预测效果优于单纯的深度学习预测，对孝妇河水质预测具有推广意义。
关键词：水质预测;;长短期记忆网络;;门控循环单元;;时序卷积网络;;孝妇河流域
基金资助：2022年度水利部重大科技项目（编号：SKS-2022164）
