一種基于CEEMDAN-LSTM組合的水體溶解氧預測方法
信息技術與網絡安全
李 港1，幸 興2，黃健明3，駱德漢1
(1.廣東工業大學 信息工程學院，廣東 廣州510006； 2.廣東瑞德智能科技股份有限公司，廣東 佛山528000；3.廣州華匠科技有限公司，廣東 佛山511457)
摘要： 為了對水體含氧量進行更好的監測，提高溶解氧含量預測精度，采用“先分解再集成”的結構，提出了CEEMDAN-LSTM組合預測模型。首先利用CEEMDAN得到分解后的各個分量，然后對每個分量進行LSTM建模預測，最后對所有的預測結果進行集成，得到最終預測結果。該模型解決了單個LSTM模型預測的延遲性，與單個LSTM預測模型相比，其擬合優度(R2)提高了3.3%，其余誤差指標也均有所降低，預測精度得到了有效的提升；與其他模型相比，也更具優越性。
中圖分類號： TP183
文獻標識碼： A
DOI： 10.19358/j.issn.2096-5133.2021.08.008
引用格式： 李港，幸興，黃健明，等. 一種基于CEEMDAN-LSTM組合的水體溶解氧預測方法[J].信息技術與網絡安全，2021，40(8)：47-52.
文獻標識碼： A
DOI： 10.19358/j.issn.2096-5133.2021.08.008
引用格式： 李港，幸興，黃健明，等. 一種基于CEEMDAN-LSTM組合的水體溶解氧預測方法[J].信息技術與網絡安全，2021，40(8)：47-52.
A method of dissolved oxygen prediction based on CEEMDAN-LSTM combination
Li Gang1，Xing Xing2，Huang Jianming3，Luo Dehan1
(1.School of Information Engineering，Guangdong University of Technology，Guangzhou 510006，China； 2.Guangdong Real-Design Intelligence Technology Co.，Ltd.，Foshan 528000，China； 3.Guangzhou Huajiang Technology Co.，Ltd.，Foshan 511457，China)
Abstract： In order to better monitor the oxygen content of water, and improve the forecast precision of dissolved oxygen content, this paper proposes the CEEMDAN-LSTM combined prediction model by adopting the structure of "decomposition before integration". Firstly, the decomposed components are obtained by using CEEMDAN, and then LSTM modeling and prediction are carried out for each component. The obtained prediction results are accumulated with the same weight, and the final prediction result is obtained. Compared with the single LSTM prediction model, the goodness of fit(R2) is improved by 3.3%, and the remaining error indicators have also been reduced, which effectively improves the prediction accuracy. Compared with other models, it has more advantages.
Key words : CEEMDAN；DO prediction；LSTM；combinatorial model
0 引言
溶解氧(Dissolved Oxygen，DO)在水體中的含量能夠反映出水體的污染程度、生物的生長狀況，是衡量水質優劣的重要指標之一。而水質的好壞直接影響水生生物的生長及其產品品質。所以，對DO進行精準監測、預測和預防是非常有必要的。水產養殖池塘中的水是一個開放、非線性、動態、復雜的系統，水質很容易受到物理、化學、生物和人類活動等許多因子的影響。所以，運用現代化信息技術尋找適合水質監測和預測的方法變得尤為迫切[1]。
本文詳細內容請下載：http://www.cowatch.cn/resource/share/2000003724
作者信息：
李 港1，幸 興2，黃健明3，駱德漢1
(1.廣東工業大學 信息工程學院，廣東 廣州510006；
2.廣東瑞德智能科技股份有限公司，廣東 佛山528000；3.廣州華匠科技有限公司，廣東 佛山511457)
此內容為AET網站原創，未經授權禁止轉載。