使用混合LSTM–XGBoost模型对城市水质的早期预测

摘要 对于早期检测城市水体系统生态压力，迫切需要有效预测溶解氧（DO）。所提出的研究框架展示了一种综合方法——混合双向LSTM-注意力-XGBoost模型，旨在实现高保真度的水质预警。通过利用中央污染控制委员会监测的纵向数据集，我们实施了多阶段预处理管道，涉及时间插值和Min-Max缩放，以减轻数据不一致性。所提出的架构采用双向LSTM提取前向和后向时间步长中的隐藏时间依赖性。此外，采用自注意力机制对最显著的特征影响进行加权。使用XGBoost回归模型处理精炼输入，并映射复杂的非线性交互。实证结果验证了模型的有效性，达到稳定的训练损失为0.0905，最终均方根误差（RMSE）为0.3319。本研究表明，将序列深度学习与梯度提升决策树整合，提供了一个可扩展的以数据为中心的战略，使水务机构实现从被动到主动的城市水管理转变。