基于进化算法优化的CNN-EA-ConvLSTM水质预测模型

摘要

针对传统水质预测方法难以捕捉样本中时空特征的问题,提出建立基于CNN-EA-ConvLSTM水质预测模型,即首先通过卷积神经网络(CNN)对数据降维处理,提取样本特征,然后使用外部注意力机制探索样本间的隐藏信息,以卷积长短期记忆网络(ConvLSTM)进一步捕捉数据的空间特性,为使模型能达到最优效果,使用遗传算法优化模型中的超参数,最后以青海省的水质监测数据为样本对模型进行仿真验证。结果表明,该模型的平均绝对误差(M_(MAE))为0.063、均方根误差(R_(RMSE))为0.012、平均绝对百分比误差(M_(MAPE))为2.6%,与CNN-EA模型、CNN-LSTM模型相比M_(MAE)、R_(RMSE)、M_(MAPE)分别降低了18%和24%、14%和25%、16%和21%,模型可有效获取水质的时空特征,减弱不同样本间的影响,达到理想预测效果。