基于EMD与K-means的ILSTM模型在池塘溶解氧预测中的应用

为提高池塘溶氧量预测精度并改善预测结果滞后的情况,本研究提出基于经验模态分解(empirical mode decomposition,EMD)与K-means聚类的改进长短期记忆神经网络(improved long short-time memory,IL?STM)模型.利用皮尔森相关性分析与主成分分析结合的方法对原始数据进行特征提取,对溶氧量进行EMD分解,将选出的环境参数与溶氧量各分量一起生成样本集,并对其进行K-means聚类.针对同类中不同分解分量建立相应ILSTM预测模型,并用网格搜索、五折交叉验证与早停法进行超参数选取.对未来1 h池塘溶氧量进行预测,并与LSTM、ILSTM、LSTM-SVR、EMD-LSTM、EMD-ILSTM模型进行对比试验.结果显示,IL?STM与LSTM模型相比,RMSE、MAE与MAPE分别下降了50.46％、63.20％与68.96％,证明ILSTM模型能缓解传统LSTM模型预测的滞后情况.EMD-ILSTM模型与ILSTM模型相比,RMSE、MAE与MAPE分别下降了53.22％、46.74％与38.19％,证明EMD算法能提高预测精度.EMD-KILSTM模型的RMSE、MAE、MAPE分别为0.1099 mg/L、0.0749 mg/L、9.3278％,与EMD-ILSTM模型相比,分别下降了4.35％、7.42％与8.09％,证明K-means聚类能提高预测精度,并且EMD-KILSTM模型是对比模型中预测效果最好的模型.以上结果表明,EMD-KILSTM模型能从时间尺度与历史环境类别两个方面深度分析溶氧量的特征,拥有更高的预测精度与更好的泛化能力.