典型文献
基于图卷积STG-LSTM的京杭运河水质时空预测研究
文献摘要：
快速精准预测河流水质是城市水管理战略的重要任务,而河流水质因子具有时序性、不稳定性和非线性等特点且受多种因素影响,会造成时空维度上分布差异.针对现有水质因子预测方法大多是单监测站点的时间序列预测,无法描述河流水质因子的空间分布,提出一种基于时空图卷积融合长短记忆神经网络的河流水质时空预测模型(STG-LSTM).以各监测站点地理位置和水质因子历史观测值为依据,构建时空图来表征各监测站点间的时空相关性.将时空图输入到STG-LSTM模型中,采用图卷积(GCN)提取河流水质数据空间依赖关系,并融合长短时记忆神经网络(LSTM)来获取水质因子数据的时空关联性,实现对未来一段时间运河河段不同位置水质状态的时空预测.用京杭运河常州段上8个监测站点4种不同水质因子数据集进行验证,从预测精度和训练时间两方面,将模型和其他6种预测模型进行比较,并对模型进行可靠性测试.实验结果表明,STG-LSTM模型能以较短的训练时间得到较高的预测精度,实现了对河流不同位置水质的快速精准预测,为城市水管理提供技术支撑.
文献关键词：
水质时空预测;图卷积神经网络;长短时记忆神经网络;时空图构建;京杭运河
中图分类号：
作者姓名：
宦娟;张浩;徐宪根;杨贝尔;史兵;蒋建明
作者机构：
常州大学计算机与人工智能学院阿里云大数据学院,江苏常州 213164;常州市环境科学研究院,江苏常州 213022
文献出处：
引用格式：
[1]宦娟;张浩;徐宪根;杨贝尔;史兵;蒋建明-.基于图卷积STG-LSTM的京杭运河水质时空预测研究)[J].中国农村水利水电,2022(08):14-22
A类：
水质时空预测,时空图构建
B类：
STG,京杭运河,河水,预测研究,精准预测,河流水质,水管理,管理战略,水质因子,时序性,时空维度,分布差异,监测站,时间序列预测,时空图卷积,长短记忆神经网络,历史观,观测值,时空相关性,GCN,水质数据,数据空间,空间依赖,依赖关系,长短时记忆神经网络,取水,时空关联性,间运,河段,不同位置,常州,不同水质,训练时间,可靠性测试,图卷积神经网络
AB值：
0.214623
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。
