首页|融合Prophet与PCA技术的CNN-LSTM模型在水质预测中的应用

融合Prophet与PCA技术的CNN-LSTM模型在水质预测中的应用

Application of CNN-LSTM Model Integrating Prophet and PCA Techniques for Water Quality Prediction

扫码查看
原文链接
  • NETL
  • NSTL
  • 万方数据
为了降低传统CNN-LSTM模型进行水质预测时可能会出现的错误发生率,提出了一种基于Prophet模型与PCA的CNN-LSTM水质预测方法.在水质监测数据清洗过程中采用Prophet模型进行异常值处理,使用PCA方法对影响变量进行降维,消除变量关联性,把处理结果作为CNN-LSTM模型输入,对水质总氮指标进行预测.通过实验对基于Prophet模型与PCA的CNN-LSTM水质预测方法进行验证,实验结果表明:该方法相对于CNN-LSTM模型在MAE、RMSE和MSE三种评价指标上都有了较大的提升,其中MSE提升了 13%,RMSE提升了 6.7%,MAE提升了 5.6%.
To mitigate potential error rates in traditional CNN-LSTM models for water quality prediction,this study proposes an enhanced CNN-LSTM water quality prediction method incorporating the Prophet model and Principal Component Analysis(PCA).In the data preprocessing phase,the Prophet model is employed for outlier detection and handling of water quality monitoring data.PCA is then utilized to reduce the dimensionality of influencing variables and eliminate variable correlations.The processed results serve as input for the CNN-LSTM model to predict the total nitrogen index of water quality.Experimental validation of the proposed method demonstrates significant improvements over the standard CNN-LSTM model across three evaluation metrics:Mean Absolute Error(MAE),Root Mean Square Error(RMSE),and Mean Squared Error(MSE).Specifically,the proposed method achieved a 13%reduction in MSE,a 6.7%decrease in RMSE,and a 5.6%improvement in MAE.These results highlight the effectiveness of integrating Prophet and PCA techniques with CNN-LSTM for enhancing water quality prediction accuracy and reliability.

metrologywater quality monitoringprincipal component analysisCNNLSTMwater quality prediction

肖克、张建军、谭文武、王理、宋玲毓、林海军

展开 >

湖南省计量检测研究院,长沙 410014

湖南师范大学工程与设计学院,长沙 410081

天翼电子商务有限公司广东分公司,广州 510510

计量学 水质监测 主成分分析 CNN LSTM 水质预测

湖南省自然科学基金湖南省自然科学基金湖南省自然科学基金国家自然科学基金湖南省研究生创新基金湖南师范大学校企合作

2022JJ900132023JJ601572022JJ9004451775185QL202301305312201812

2024

10.12338/j.issn.2096-9015.2024.0109

计量科学与技术
中国计量科学研究院

计量科学与技术

影响因子：0.187
ISSN：2096-9015
年,卷(期)：2024.68(10)