基于CEEMDAN的人工蜂群算法优化LSTM深度网络的西江溶解氧预测.pdf

: .
第38卷第 3期 工水质溶解氧含量是评价水体水质
和水体自净能力的重要评价指标．DO 含量容易受到温度、雨量、水生生物、风速、风向
以及人类活动等诸多因素的影响，具有很强的非线性、非平稳性以及大时滞性等特点[2]．
收稿日期: 2020-03-11. 作者简介: 纪广月 (1973年8月生)，女，硕士，副教授. 研究方向：数学建模与优化.
基金项目: 广东省教育厅高校特色创新类项目 (自然科学) (2017GKTSCX109).
万方数据316 工 程 数 学 学 报 第38卷
因此，研究水体溶解氧预测方法，对掌握溶解氧的变化趋势、为水质监测部门管理和维护
水体水质提供科学决策的依据．
为了提高水质溶解氧预测的精度，国内外学者对溶解氧预测方法进行了大量研究，
研究方法主要有时间序列法、神经网络法、支持向量机、极限学习机和经验模态分解组
合模型等，取得了一定效果．文献 [3] 提出了一种基于季节性 ARIMA 模型的水库溶解氧
预测模型，预测结果与实际数据较为符合，可以描述水库溶解氧的变化趋势，但是预测
精度有待进一步提高．文献 [4] 针对溶解氧非线性、难以准确跟踪预测的问题，提出了一
种基于 Levenberg-Marquardt 神经网络的溶解氧预测控制模型，研究结果表明该算法可
以有效提高溶解氧的预测精度，改善传统神经网络溶解氧预测模型收敛速度慢和局部最
优的问题，但其预测结果随机性较大，模型稳定性较差．文献 [5] 针对最小二乘支持向量
回归机 (Least Squares Support Vector Regression, LSSVR) 模型性能受惩罚参数和核参
数的影响，提出一种基于蚁群算法 (Ant Colony Algorithm, ACA) 优化 LSSVR 的溶解氧
预测模型，与 LSSVR 和 BP 神经网络相比，ACA-LSSVR 具有更高的预测精度，且计算
复杂度较低，然而 ACA 存在收敛速度较慢和“早熟”问题，导致其容易陷入最优，需
要改进 ACA 算法从而提高其全局搜索能力．文献 [6] 为解决不良样本和预测精度低的问
题，提出一种基于 K-means 和极限学习机 (Extreme Learning Machine, ELM) 的水质溶
解氧预测模型，有效解决了常规天气和异常天气下的溶解氧预测问题，但是 ELM 模型
预测易受其初始权值和偏置选择的影响，预测精度和模型稳定性有待提高．文献 [7] 针
对溶解氧的非线性特性，提出一种基于集合经验模态分解 (Ensemble Empirical Mode
Decomposition, EEMD) 和游程检测法重构的水质溶解氧组合预测模型，实现溶解氧高
精度预测，预测精度优于 PSO-LSSVR 和 ELM 模型，然而 EEMD 模型存在一定程度的
模态混叠现象，其分解出来的高频分量比较复杂且波动性大、中频分量呈现出较强的周
期性以及低频分量近似呈现线性的特点，导致部分监测点的预测误差较大．文献 [8] 针对
深度神经网络预测精度高且进行水质预测应用研究较少，将主成分分析和长短时记忆网
络 (Long Short-Term Memory, LSTM) 结合的养殖水质