基于ＤＡ?ＣＮＮ?ＢｉＬＳＴＭ 的河流溶解氧濃度預測

摘 要：溶解氧是衡量水質的重要指標，對溶解氧濃度的準確預測，可以為水環境管理和水污染防治工作提供科學依據?？紤]溶解氧受外界多種復雜因素影響，數據具有強烈的非線性和非平穩性特征，提出了ＤＡ－ＣＮＮ－ＢｉＬＳＴＭ 溶解氧濃度預測模型，其中ＣＮＮ層用于提取數據局部特征，空間注意力機制關注對預測結果具有更高影響的特征，ＢｉＬＳＴＭ 挖掘輸入序列的前向和后向鄰域信息，時間注意力機制捕捉不同時刻的時間依賴性。將模型應用于福建閩江３ 個水質監測站的溶解氧濃度預測中，通過與基線模型的對比表明：相較于基線模型，ＤＡ－ＣＮＮ－ＢｉＬＳＴＭ 模型對ＤＯ 濃度具有更好的預測效果，模型的預測值更接近于實測值，溶解氧濃度預測性能最優；加入空間注意力機制后，模型的預測性能得到提升。

關鍵詞：注意力機制；ＣＮＮ－ＢｉＬＳＴＭ 模型；時間序列預測；溶解氧濃度預測

中圖分類號：Ｘ３２ 文獻標志碼：Ａ ｄｏｉ：１０．３９６９／ ｊ．ｉｓｓｎ．１０００－１３７９．２０２４．０７．０１６

引用格式：謝小良，吳琳琳．基于ＤＡ－ＣＮＮ－ＢｉＬＳＴＭ 的河流溶解氧濃度預測［Ｊ］．人民黃河，２０２４，４６（７）：９２－９７，１１１．

０ 引言

水環境質量與自然界中生物的生存和發展息息相關，水質預測是水環境管理的重要依據之一，溶解氧（ＤＯ）是衡量水質優劣的重要指標［１－３］ 。溶解氧濃度過低會導致河流中厭氧細菌快速繁殖，有機物在缺氧條件下被微生物分解發生腐敗，從而造成河流水體變黑發臭。此外，溶解氧濃度影響水體中重金屬的分解轉化速度和水生生物的生命活動［４］ 。準確預測和判斷溶解氧濃度變化情況，可以為水環境管理和水污染防治工作提供科學依據［５］ 。

傳統的基于物理動力學模型的水質預測方法能夠從機理層面解析河流水動力特征及其形成機制［６］ ，但需要大量水文資料支撐，模型的關鍵參數具有不確定性，導致水質預測精度不高，泛化能力差［７］ 。以自回歸綜合移動平均（ＡＲＩＭＡ）模型為代表的統計模型計算簡單，但僅適用于線性系統預測，難以捕捉水質數據的非線性關系，同時在模型識別階段要求監測數據具有平穩性［８］ ，因此模型應用具有一定局限性。近年來，隨著人工智能技術的發展，支持向量機［９ －１０］ 、隨機森林［１１ －１２］ 、神經網絡［１３ －１４］ 等機器學習算法被廣泛應用于水質預測領域。卷積神經網絡（ＣＮＮ）和循環神經網絡（ＲＮＮ）是目前主要使用的深度學習算法［１５－１６］ ，其中：ＣＮＮ 能夠提取水質數據的局部特征，且參數較少，能夠緩解模型參數多引起的過擬合問題［１７］ ；長短期記憶網絡（ＬＳＴＭ）克服了ＲＮＮ 梯度消失的問題，能夠很好地提取中長期水質序列的特征［１８－１９］ ，但標準ＬＳＴＭ 模型只對水質序列進行正向處理；此外，隨著時間步長的增加，ＬＳＴＭ 模型捕捉數據長期依賴性的能力下降，容易造成一些重要特征被遺忘，對長期時序規則的挖掘有待優化［２０－２１］ 。雙向長短期記憶網絡（ＢｉＬ?ＳＴＭ）能夠學習輸入數據中的前向和后向鄰域信息，從而獲得更準確的預測結果［２２］ 。