基于EMD-MTL自适应耦合模型的河流溶解氧浓度高精度预测研究

针对传统线性模型（如ARIMA）难以捕捉溶解氧（DO）浓度非平稳特性的问题，本研究提出基于经验模态分解（EMD）与多任务学习（MTL）的混合预测框架。通过EMD分解DO时间序列为多尺度分量，结合Transformer-CNN架构实现全局依赖与局部特征融合，实验表明模型RMSE和MAE分别降低63.03%和64.56%，为智能水管理提供高精度预测工具。

　　

在21世纪城市化率突破55%的背景下，水体污染导致的生态危机日益严峻。世界卫生组织数据显示，全球约80%的废水未经充分处理，每年因水污染相关疾病死亡人数超过200万。溶解氧（DO）作为衡量水体自净能力的核心参数，其浓度波动受温度、流速和微生物活动等多因素耦合影响，呈现显著的非平稳特性。传统预测方法如自回归积分滑动平均模型（ARIMA）和多元线性回归（MLR）因线性假设限制，难以捕捉DO的动态非线性特征，而单一深度学习模型对多尺度耦合信号的处理仍存在梯度消失、噪声敏感等缺陷。

为突破这一瓶颈，河北教育厅资助的研究团队在《Journal of Water Process Engineering》发表成果，提出基于经验模态分解（EMD）与多任务学习（MTL）的自适应耦合模型（EMD-MTL）。该研究利用北京永定河引水渠4小时间隔的DO监测数据（2020-2024年），通过EMD将原始信号分解为8个本征模态函数（IMF）和残差分量，构建了Transformer-CNN混合架构：Transformer编码器共享全局序列依赖，任务特异性CNN输出层提取局部特征，实现多尺度信息融合。

关键技术方法

1. 数据预处理：采用3σ准则剔除异常值，线性插值填补缺失数据，滑动窗口构建时间序列样本；
2. 信号分解：EMD将DO序列自适应分解为IMF分量；
3. 模型架构：MTL框架下，Transformer编码器（6头注意力，512维隐藏层）捕获全局特征，CNN（3层卷积，ReLU激活）提取局部模式；
4. 优化策略：AdamW优化器（初始学习率0.001），早停机制（15轮验证损失未下降终止）。

研究结果

1. 性能对比：EMD-MTL的均方根误差（RMSE）和平均绝对误差（MAE）较传统模型降低超63%，显著优于LSTM、GRU及CNN-BiLSTM等基线；
2. 消融实验：EMD分解使预测误差降低38.7%，MTL框架提升模型鲁棒性（方差减少21.3%），Transformer-CNN混合架构贡献最大性能增益（准确率提高19.5%）；
3. 多尺度分析：高频IMF（IMF1-3）主要反映日周期波动，CNN局部卷积有效捕捉突发污染事件特征；低频分量（IMF5-7）与季节趋势强相关，Transformer注意力机制识别长期生态扰动模式。

结论与意义
该研究通过EMD-MTL框架实现了DO浓度的高精度预测，其创新性体现在三方面：

1. 方法学层面：首次将EMD分解的物理可解释性与MTL的泛化能力结合，解决了非平稳信号建模的尺度耦合难题；
2. 技术层面：Transformer-CNN混合架构兼具长程依赖捕获和局部特征提取优势，为复杂环境时序预测提供新范式；
3. 应用价值：模型可集成至水质监测系统，对突发污染事件预警（如黑臭水体形成）和生态调控（如曝氧设备智能启停）具有重要实践意义。研究团队指出，未来可结合变分模态分解（VMD）优化信号分解效果，并探索跨流域迁移学习以提升模型普适性。