基于CEEMDAN的人工蜂群算法优化LSTM深度网络的西江溶解氧预测

摘要

为提高溶解氧含量预测的精度,提出一种基于添加自适应白噪声的完备集成经验模态分解法(Complete Ensemble Empirical Mode Decomposition with Adaptive Noise,CEEMDAN)和人工蜂群算法(Artificial Bee Colony,ABC)改进长短时记忆网络(Long Short-term Memory,LSTM)的水质溶解氧组合预测模型.首先,运用CEEMDAN算法将溶解氧含量序列分成若干个不同固有模态分量和趋势分量;之后,运用R/S类分析法计算不同固有模态分量和趋势分量的Hurst指数H,并根据H的大小将不同固有模态分量和趋势分量重构成微尺度、中尺度和宏尺度分量;最后,针对三种尺度分量分别运用ABC-LSTM模型进行预测并线性加权重构获得溶解氧最终预测值.该模型以西江中山横栏水质监测站点数据采集系统为研究对象,试验结果表明,本文模型可以有效提高西江溶解氧预测精度,预测精度高达1.6978％,较LSTM、支持向量机(Support Vector Machine,SVM)、ABC-SVM和人工蜂群算法优化前馈神经网络(Back Propagation Neutral Network,BPNN)ABC-BPNN分别提高1.2867％、2.7544％、2.3756％和2.4448％,从而说明本文模型较传统模型精度上有明显提高,具有更强的预测性能和泛化能力、误差更低,为西江水质监测管理和维护提供科学决策的依据.