基于VMD-TCN-GRU 模型的水质预测研究 .pdfVIP

基于ＶＭＤ－ＴＣＮ－ＧＲＵ模型的水质

预测研究

作者：项新建许宏辉谢建立丁祎胡海斌郑永平杨斌

来源：《人民黄河》2024年第03期

摘要：為充分挖掘水质数据在短时震荡中的变化特征，提升预测模型的精度，提出一种

基于ＶＭＤ（变分模态分解）、ＴＣＮ（卷积时间神经网络）及ＧＲＵ（门控循环单元）组成

的混合水质预测模型，采用ＶＭＤ－ＴＣＮ－ＧＲＵ模型对汾河水库出水口高锰酸盐指数进

行预测，并与此类研究中常见的ＳＶＲ（支持向量回归）、ＬＳＴＭ（长短期记忆神经网

络）、ＴＣＮ和ＣＮＮ－ＬＳＴＭ（卷积神经网络－长短期记忆神经网络）这４种模型预测

结果对比表明：ＶＭＤ－ＴＣＮ－ＧＲＵ模型能更好挖掘水质数据在短时震荡过程中的特征

信息，提升水质预测精度；ＶＭＤ－ＴＣＮ－ＧＲＵ模型的ＭＡＥ（平均绝对误差）、ＲＭ

ＳＥ（均方根误差）下降，Ｒ２（确定系数）提高，其ＭＡＥ、ＲＭＳＥ、Ｒ２分别为

０．０５５３、０．０７１７、０．９３５１；其预测性能优越，预测精度更高且拥有更强

的泛化能力，可以应用于汾河水质预测。

关键词：水质预测；混合模型；变分模态分解；卷积时间神经网络；门控循环单元；时间

序列；汾河

中图分类号：ＴＶ２１３．４；Ｘ５２４文献标志码：Ａｄｏｉ：１０．３９６９／

ｊ．ｉｓｓｎ．１０００－１３７９．２０２４．０３．０１７

引用格式：项新建，许宏辉，谢建立，等．基于ＶＭＤ－ＴＣＮ－ＧＲＵ模型的水质预

测研究［Ｊ］．人民黄河，２０２４，４６（３）：９２－９７．

近年来，国内外专家学者为掌握未来水质变化趋势，对水体水质预测方法进行了大量研

究，并取得了一定研究成果。罗学科等［１］利用差分自回归移动平均模型（ＡＲＩＭＡ）

对巢湖水域水质进行了预测，结果显示其预测精度及泛化能力较强。张颖等［２］基于改进

的灰色模型和模糊神经网络预测了太湖流域未来一段时间内水质整体变化。传统的预测方法虽

然理论体系成熟、计算简单，但是随着水环境的变化，无法有效处理高差异、对长时间序列依

赖性强且非线性关系复杂的水质数据［３］，而人工神经网络凭借强大的非线性适应性信息

处理能力［４］、能充分逼近任意非线性函数以及泛化能力强［５］等特点，被广泛应用于

水质预测中。Ａｒｃｈａｎａ等［６］将人工神经网络应用于马图拉下游溶解氧预测，取得

了较高的预测精度。秦文虎等［７］利用长短期记忆神经网络（ＬＳＴＭ）预测太湖水质，

相较于传统算法效果更好，但单一ＬＳＴＭ无法满足数据变化时细节特征的挖掘。王军等

［８］将卷积神经网络（ＣＮＮ）与长短期记忆神经网络相结合，构建的ＣＮＮ－ＬＳＴＭ

模型相较于单一ＬＳＴＭ能更有效预测黄河水质。由此可见，神经网络融合模型在水质预测

领域具有较大优势，能有效提高预测精度。但是，水环境变化机理复杂，水质数据具有非平稳

性，由神经网络直接挖掘非平稳数据在短时震荡中的变化特征并不能达到理想效果［９］，

而现有的水质预测模型大多并未对此进行处理。信号分解法能有效处理数据的非平稳性问题

［１０］，因此在水质预测融合模型中可引入信号分解法进行数据前处理，挖掘数据的短时

变化特征，以提升融合模型的预测精度。

本文提出一种基于ＶＭＤ－ＴＣＮ－ＧＲＵ的水质预测模型，以汾河水库出水口水质数

据为样本，首先利用ＶＭＤ（变分模态分解）将非平稳的水质时序数据分解成若干个相对平稳

的ＩＭＦ（本征模态函数），减小模型预测误差；接着将各ＩＭＦ输入ＴＣＮ－ＧＲＵ（卷

积时间神经网络－门控循环单元）中，提取数据的时序特征及数据变化的细节信息，并进行非

线性拟合，通过注意力机制让模型聚焦于对水质影响更大的信息；最后将各预测序列线性叠

加，重构得到最终的预测结果。此外，使用ＷＯＡ（鲸鱼算法）对ＶＭＤ以及预测网络中的

关键参数寻优，减少调参的工作量并提高模型的预测精度。同时，采用对比试验证明ＶＭＤ－

ＴＣＮ－ＧＲＵ模型具有较高的准确性与较强的泛化能力，能极大减小数据非平稳性的干

扰。

１研究方法

１．１变分模态分解

ＶＭＤ是一种新型自适应信号分解方法，能够有效解决ＥＭＤ（经验模态分解）方法存

在的模态分量混叠问题［１１］，极大降低复杂性高的时间序列非平稳性影响，将复杂的非

平稳信号分解为包含多个不同频率尺度且相对平稳的子序列，从而提高其稳定性。ＶＭＤ处

理非平稳性严重的时间序列数据时，其分解性能受模态个数ｋ与惩罚因子α设置的影响［１

２］。

１．２卷积时间神经网络

ＴＣＮ是ＣＮＮ（卷积