基于GRA-GRU的淮河流域水质预测研究.pdf

第24卷第1期安全与环境学报Vol.24No.1

2024年1月JournalofSafetyandEnvironmentJan.,2024

文章编号：1009-6094(2024)01-0376-12究上被广泛应用[9-1]。Zhang等[12]使用核主成分分

析结合循环神经网络（RecurrentNeuralNetwork，

基于GRA-GRU的淮河

RNN)的方法克服了水质监测过程中的噪声干扰，构

流域水质预测研究*建了澳大利亚伯内特河溶解氧的预测模型。2017

年，Wang等[13]首次将长短期记忆（LongShortTerm

陈静，李海洋

Memory，LSTM）神经网络引人水质预测领域，表明

（安徽理工大学电气与信息工程学院，安徽准南232001）LSTM网络在水质预测中可行。秦文虎等[14]使用水

质缺失数据填补算法结合LSTM网络解决了水质数

摘要：水质指标具有多元相关性、时序性和非线性的特点，据缺失的问题，并构建了太湖流域水质预测模型。

为有效预测河流水质变化，针对水质数据存在缺失和异常的

门控循环单元(GatedRecurrentUnit,GRU）网络作为

GreyRelational

问题，提出基于灰色关联分析-门控循环单元（

LSTM网络的改进型，可以处理具有时序属性和非线

Analysis-GatedRecurrentUnit,CRA-CRU)的水质预测模型

性的水质数据。与LSTM网络相比,GRU网络拥有

以准河流域水质数据为样本，使用线性插值修补缺失数据和

剔除的异常数据。使用灰色关联分析计算不同水质指标间更少的超参数，在保证预测精度的同时，计算量更

的相关性，选择高相关性的水质指标以确定输入变量，并使小、收敛速度更快。Zhou等[15]使用小波分解、自回

用门控循环单元（GatedRecurrentUnit,CRU）预测不同的水归滑动平均和CRU网络结合的方法，通过对数据进

质指标。将CRA-GRU的预测结果与反向传播神经网络行分解提高了水质模型预测精度，并构建了北京某

（BackPropagationNeuralNetwork，BPNN）、循环神经网络地区地表水预测模型。黎煜昭等[16]将水质先验知

（RecurrentNeuralNetwork，RNN）、长短期记忆神经网络识融人GRU网络模型中，提升了非机理性模型预测

（LongShortTermMemory,LSTM）、GRU及灰色关联分析-长结果的可解释性和稳定性。

短期记忆神经网络（GreyRelationalAnalysis-LongShortTerm

河流的水质环境是一个时序的、非线性的复杂

Memory,GRA-LSTM）进行对比分析，结果显示GRA-GRU

系统。现有研究忽略了数据采集导致的水质数据存

在不同水质指标预测上具有较好的适应性，可以有效降低预

测误差。其中,与其他模型相比,CRA-CRU预测的化学需在缺失和异常问题，忽视了不同水质指标之间相互

关联的问题，仅通过分析水质数据具