摘要：青草沙水库是上海重要饮用水水源地,面临较大藻华暴发风险,实现对水库叶绿素a (Chl-a)浓度的准确预测,对于饮用水安全保障至关重要。 文章以青草沙水库为对象,提出了一种图卷积时间模式注意力网络混合模型(GC-TPA),首先利用时间模式注意力(TPA)机制学习水质数据的时间依赖性,其次使用图卷积网络(GCN)学习不同水质参数之间的关系。 另外,为进一步提高模型的预测精度,引入完全自适应噪声集合经验模态分解(CEEMDAN)以降低模型的滞后性,同时使用多层感知机(MLP)学习Chl-a 浓度的突变。 结果表明:(1)引入的GCN 模块显著增强了TPA 对Chl-a 的预测能力,结合CEEMDAN和MLP 的帮助,模型性能进一步提升,以纳什效率系数作为评价指标,混合模型的24 h 预测精度较单独TPA 提升了56.5%;(2)与单独TPA 和长短期记忆网络(LSTM)的对比试验表明,在更长的预测周期(48 h)上,GC-TPA 虽然精度下降,但仍表现最好,48 h 预测平均绝对误差和均方误差比LSTM 低25.5%和24.0%,比TPA 低4.92%和8.40%;(3) GCN 模块与MLP 模块在结果预测中发挥了不同的作用,GCN 模块增强了TPA 的特征学习能力,提高了模型对Chl-a 浓度变化趋势的预测精度,而MLP 则对Chl-a 的突变较为敏感。 研究所提出的GC-TPA 混合模型在青草沙水库Chl-a 浓度短期预测中表现良好,可为水库水质管理提供支撑。

关键词：富营养化，叶绿素a(Chl-a)，图卷积网络(GPN)，时间模式注意力(TPA)，多层感知机

基金资助：上海市级科技重大专项:人工智能基础理论与关键核心技术(2021SHZDZX0100)

下载

查看