基于季节性分解与长短期记忆网络的水质动态预警

 【摘 要】随着地表水水质恶化日益严重，有效的水质预警预测技术对于水资源的可持续发展与应急响应机制实施至关重要。长短期记忆网络在水质时间序列预测问题中被广泛使用，但是仅使用长短期记忆网络进行水质预测并不能解决各种复杂因素造成的水质序列的不规则波动问题。为了解决该问题，提出一种数据驱动的水质预测混合模型，该模型将基于局部加权回归散点平滑（Loess）的季节与趋势分解（STL）算法与基于编解码的长短期记忆网络（LSTM-ED）结合。首先通过STL的加法模型将水质时间序列分解为3个子序列，然后利用多元LSTM-ED神经网络对子序列进行预测，通过叠加将数据恢复为实际值，最后通过季节性分段的拉依达准则进一步判断水质是否存在异常并做出预警。实验结果表明，与单一的LSTM、LSTM-ED以及基于序列分解的LSTM-ED模型相比，所提出的模型能显著地提高水质时间序列预测的精度和可靠性，并为水质动态预警提供有效的数据支持。

【关键词】季节性分解 ; 长短期记忆网络 ; 水质动态预警 ; 异常检测

1 引言

水作为地球上珍贵的资源，它决定着人类和动植物的生存，水对于生态系统和社会都至关重要。然而，随着工业化进程的不断加快，工业废水、农业施药和生活污水等水质污染事件引发的水质异常现象频繁发生。为了实现水资源的可持续利用，加强水环境监管工作俨然成为我国政府迫在眉睫的重要任务。水环境监管工作可以有效解决水资源短缺以及水质污染等问题，其中水质预测及水质动态预警是水环境监管工作的重要研究内容之一。据世界卫生组织的报告显示，到 2025 年，全球将有半数人口居住在水资源紧张的地区。受污染的水可以传播多种疾病，如腹泻、霍乱、痢疾、伤寒和脊髓灰质炎等。受污染的饮用水估计每年造成超过48.5万例腹泻死亡。水质异常现象每