基于动态滑动窗口BP神经网络的水质时间序列预测

来源：环境工程技术学报杂志2022年第3期北京时间：

作者：张梦迪, 徐庆, 刘振鸿, 马春燕, 高品

摘要：为提高BP神经网络（BPNN）模型对具有时间序列特征水质的预测精准度，采用主成分分析法对原始样本数据进行特征提取和降维，选取溶解性有机碳（DOC）浓度、总氮（TN）浓度和浊度作为水质预测指标，构建了具有3层网络结构的BPNN模型进行预测，并分析其预测性能。结果表明：DOC浓度、TN浓度和浊度的最佳训练集尺寸分别为60、60和90 d，最佳BPNN拓扑结构分别为9-12-1、8-6-1和7-13-1，经优化后的BPNN模型对DOC浓度、TN浓度和浊度的变化趋势整体预测效果较好；相比之下，BPNN模型对水中DOC浓度的预测效果显著优于TN浓度和浊度，其均方根误差（RMSE）、平均绝对百分比误差（MAPE）和相关系数（R）分别为0.040、0.66%和0.867。该模型对具有非线性特征的地表水水质预测具有较好的适用性，预测精度较高。

关键词：BP神经网络, 动态滑动窗口, 水质时间序列, 主成分分析法