典型文献
基于EMD-Multi-Modal-LSTM的多尺度组合水质预测模型—不同水质断面的视角
文献摘要：
本文以地表水氨氮因子作为水质分析的研究对象,将系统降噪方法(Seasonal-Hybrid-Extreme Studentized Deviate test,S-H-ESD)、经验模态分解(Empirical Mode Decom-position,EMD)方法和多模态输入长短期记忆模型(Multi-Modal Long Short-Term Mem-ory,Multi-Modal-LSTM)相结合,构建了一个多尺度模态组合预测模型,EMD-Multi-Modal-LSTM.在模型构建过程中,首先通过S-H-ESD算法对原始波动数据进行系统性降噪;其次,对降噪后的序列采用EMD分解为不同特征尺度的本征模态分量(IMF)和一个趋势项.在此基础上,对各分量再分别结合其他相关的序列信息,单独构建Multi-Modal-LSTM模型,并进一步通过集成各预测分量获得整体氨氮序列预测值.以珠三角地区两种不同水质断面氨氮浓度为例进行实证分析,结果表明本文方法相比于传统机器学习算法及深度学习算法具有更高的模型预测精度,且对数据波动较大的氨氮序列及高浓度时刻预测效果提升明显,预测性能更加稳定.
文献关键词：
水质预测;S-H-ESD降噪;EMD序列分解;Multi-Modal-LSTM
中图分类号：
作者姓名：
张浩彬;薛丽丹;陈光慧
作者机构：
暨南大学经济学院,广东广州510632;广东柯内特环境科技有限公司,广东广州510640
文献出处：
引用格式：
[1]张浩彬;薛丽丹;陈光慧-.基于EMD-Multi-Modal-LSTM的多尺度组合水质预测模型—不同水质断面的视角)[J].数理统计与管理,2022(05):761-774
A类：
Studentized,Deviate
B类：
EMD,Multi,Modal,尺度组合,水质预测模型,不同水质,地表水,氨氮,水质分析,降噪方法,Seasonal,Hybrid,Extreme,test,ESD,经验模态分解,Empirical,Mode,Decom,position,多模态输入,长短期记忆模型,Long,Short,Term,Mem,ory,一个多,组合预测模型,构建过程,特征尺度,本征模态分量,IMF,趋势项,序列信息,序列预测,珠三角地区,氮浓度,机器学习算法,深度学习算法,效果提升,预测性能,序列分解
AB值：
0.401576
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
