基于经验小波变换的鄱阳湖CODMn预测

来源：环境工程技术学报杂志2023年第1期北京时间：

作者：陈伟, 金柱成, 俞真元, 王晓丽, 彭士涛, 魏燕杰

摘要：高锰酸盐指数(CODMn)是衡量水质状况的最重要参数之一，能反映水体受还原性物质污染的程度。结合经验小波变换(EWT)和双向长短期记忆(BLSTM)神经网络，提出了一种先利用EWT将原始的CODMn时间序列分解成若干成分，然后利用BLSTM神经网络对分解出来的每个成分进行预测，最后将所有成分的预测结果重建获得最终CODMn预测值的新的混合模型EWT-BLSTM；并以2017年8月—2020年4月鄱阳湖CODMn监测数据为研究对象，进行模型性能验证。结果表明：EWT-BLSTM模型具有良好的预测性能，预测未来1 d以后的CODMn时，EWT-BLSTM模型的平均绝对百分比误差为2.25%，与单一BLSTM神经网络模型相比降低了10.53%；预测未来7 d以后的CODMn时，EWT-BLSTM模型的平均绝对百分比误差为8.36%，与单一BLSTM神经网络模型相比降低了16.16%。在CODMn峰值处，该模型依然保持较高稳定的预测性能，说明在数据相对复杂、极端的情况下，该模型依然适用。

关键词：水质预测, CODMn, 经验小波变换(EWT), 双向长短期记忆(BLSTM), 机器学习, 数学模拟, 鄱阳湖