초록 강에서의 용존 산소(DO) 농도의 정확한 예측은 수생 생태계 관리에 매우 중요하지만, 강에서의 용존 산소 비선형 변화를 예측하기 위한 전통적인 모델은 여전히 부족하다. 본 논문에서는 적응형 잡음(CEEMDAN)을 이용한 최적 앙상블 기반의 주파수 분할 예측 프레임워크를 제안한다. CEEMDAN에 의해 용존 산소 시퀀스는 여러 구성 요소로 분해되었고, 각 구성 요소를 독립적으로 예측하기 위해 장단기 메모리 네트워크(LSTM), 서포트 벡터 회귀(SVR), 다층 퍼셉트론(MLP) 모델이 구축되었다. 제약 그리드 탐색 알고리즘을 도입하여 각 모델의 보완적 장점을 동적으로 결합하고, 훈련 세트의 평균 절대 오차(MAE)를 최소화하는 목적에 따라 최적 통합 방안을 얻는다. 간장 강 유역의 A 및 B 모니터링 구간에 대한 실증 연구에 따르면: 예측 작업에서 통합 모델의 평균 절대 오차는 최적 단일 모델에 비해 28.1–30.3% 낮고, 평균 제곱근 오차(RMSE)는 27.4–35.3% 낮으며, 결정 계수(R2)는 0.898과 0.973에 도달한다. 특히 3일 예측의 오류 누적률은 전통 혼합 모델에 비해 27.7% 낮다. 이 프레임워크는 다중 구성 요소 용존 산소 시퀀스 예측의 모드를 효과적으로 처리할 수 있도록 하고, 유역의 지능형 관리에 대한 확장 가능한 기술 경로를 제공한다.
Xie et al. (Tue,)은 이 문제를 연구하였다.