通过结合MODWT、CNN和GRU的混合深度学习方法来提升长期水质预测的准确性

《Hydrological Sciences Journal》：Enhancing long-term water quality forecasting with a hybrid deep-learning approach integrating MODWT, CNN, and GRU

有效水质预测对污染管理和环境影响缓解至关重要。机器学习（ML）和深度学习（DL）模型常因数据模式复杂及特征提取不足导致长期预测准确度低。本研究提出MODWT-CNN-GRU融合模型，集成MODWT去噪、CNN特征提取与GRU时序建模，在周尺度预测中较SVR提升31%、较CNN提升28%、较GRU提升27%、较CNN-GRU提升16%。对比分析显示该模型显著优于单一算法及传统混合模型。

　　

摘要

有效的水质预测对于管理污染和减轻其环境影响至关重要。由于数据模式复杂以及特征提取不足，机器学习（ML）和深度学习（DL）模型在长期水质预测方面的准确性常常存在问题。尽管文献中已经采用了多种数据驱动的预测方法来进行水质预测，但据我们所知，目前缺乏对单一数据驱动算法和混合数据驱动算法在不同时间步长下性能的全面比较。因此，本研究提出了一种新的方法，即集成深度学习模型MODWT-CNN-GRU，该模型结合了最大重叠离散小波变换（MODWT）、卷积神经网络（CNN）和门控循环单元（GRU）来处理动态的时间模式。对比分析表明，MODWT-CNN-GRU模型的性能优于单一的支持向量回归（SVR）、CNN、GRU以及混合CNN-GRU模型。在周尺度预测中，该模型的表现尤为突出，相比SVR提高了31%，相比CNN提高了28%，相比GRU提高了27%，相比CNN-GRU提高了16%。