نموذج تعلم عميق يعتمد على التحليل التفكيكي لتنبؤ جودة المياه متعددة المتغيرات

أدى النشر الواسع لمحطات مراقبة جودة المياه الآلية إلى توليد كميات كبيرة من بيانات السلاسل الزمنية. الاستفادة الفعالة من هذه البيانات ضرورية لتعزيز دقة التنبؤ. لمعالجة محدوديات النماذج الحالية في التقاط العلاقات المعقدة بين المؤشرات والميزات الزمنية متعددة المقاييس، يقترح هذا البحث نموذج تنبؤ هجين يدمج تحليل السلاسل الزمنية مع تقنيات التعلم العميق. باستخدام نموذج "التحليل التفكيكي - التنبؤ - إعادة البناء"، يقوم النموذج أولاً بتفكيك السلسلة الزمنية الأولية إلى مكونات الاتجاه، الموسمية، والباقية باستخدام STL (تحليل الاتجاهات الموسمية باستخدام LOESS). بالنسبة لمكون الاتجاه، تم تصميم شبكة الالتفاف البياني المحسنة (GCN) لنمذجة التبعيات المكانية بين مؤشرات جودة المياه بشكل صريح. بالنسبة للمكون الموسمي، تم استخدام طريقة CEEMDAN لتحليل الإشارات متعددة المقاييس، تليها وحدة مشتركة من LSTM-CNN لالتقاط الاعتمادات طويلة الأمد والميزات المحلية. للتحقق من فعالية النموذج المقترح، أُجريت تجارب على ثلاث مجموعات بيانات حقيقية لجودة المياه من أحواض مياه مختلفة. أظهرت النتائج التجريبية أن النموذج المقترح يتفوق على النماذج الأساسية الرئيسية، بما في ذلك StemGCN وLSTM-CNN وCEEMDAN-LSTM-CNN وAttention-CLX. عبر المجموعات الثلاث، يتفوق النموذج بانتظام على أفضل نموذج أساسي، محققاً تخفيضات في المتوسط المطلق للخطأ (MAE) تتراوح بين 13.8% و24.5%، وحتى تخفيض يصل إلى 45.3% في RMSE على مجموعة بيانات واحدة، بينما يصل أعلى معامل ارتباط بين القيم المتوقعة والملحوظة إلى 0.855. توضح هذه النتائج أن إطار العمل المقترح للتحليل التفكيكي والتكامل يعزز بشكل فعال دقة واستقرار التنبؤ بجودة المياه متعددة المتغيرات، مما يوفر أداة واعدة لدعم إدارة مستدامة لمصادر المياه.