Wasserqualitätsvorhersagemethode basierend auf LSTM-Neuronalnetzwerk

Die Vorhersage der Wasserqualität hat nicht nur für das Management der Wasserressourcen, sondern auch zur Verhinderung von Wasserverschmutzung eine größere praktische Bedeutung. Es handelt sich um ein Zeitreihenprognoseproblem, für das das traditionelle Neuronalnetzwerk nicht geeignet ist. In dieser Arbeit wird eine neue Methode zur Vorhersage der Wasserqualität auf Basis des Lang- und Kurzzeitgedächtnisses von Neuronalen Netzwerken (LSTM NN) vorgeschlagen. Zunächst wird ein Prognosemodell basierend auf LSTM NN erstellt. Zweitens wird als Trainingsdaten der Datensatz der Wasserqualitätsindikatoren im Taihu-See verwendet, der von 2000 bis 2006 monatlich gemessen wurde. Drittens werden zur Verbesserung der Vorhersagegenauigkeit des Modells eine Reihe von Simulationen und Parameterauswahlen durchgeführt. Schließlich wird die vorgeschlagene Methode mit zwei Methoden verglichen: Eine basiert auf einem rückpropagierenden Neuronalnetzwerk, die andere auf einer Online-sequentiellen extremen Lernmaschine. Die Ergebnisse zeigen, dass die Methode genauer und allgemeiner einsetzbar ist.