基于IVMD-GOA-AttTCN-BiGRU集成模型的马哈巴德大坝总氮浓度预测研究

《Scientific Reports》：Reservoir eutrophication prediction with explainable framework integrating temporal convolutional networks and bidirectional sequence modeling

　　

摘要

大坝水库中总氮（TN）浓度的准确预测被认为是水资源管理中的重要挑战之一。为此，本研究为了开发一个智能且稳健的建模框架，提出了一种集成模型，该模型由改进的变分模态分解算法（IVMD）、基于注意力机制的时间卷积神经网络（AttTCN）、双向门控循环单元（BiGRU）和蝗虫优化算法（GOA）的组合而成，用于预测马哈巴德大坝的总氮浓度。研究结果表明，与常规模型相比，所提出的框架具有显著优势，因为各项指标分析表明，随着模型复杂度的逐层增加，预测精度也得到了显著提高。从基础BiGRU模型到最终的IVMD-GOA-AttTCN-BiGRU模型，平均绝对误差值降低了80%，同时Willmott一致性指数从0.75提升至0.99，这证实了所提出集成方法的优越性。预测精度的这一显著提升表明，智能地结合数据预处理、注意力机制和超参数优化，可以得出在水质预测中可靠性更高的模型。使用浊度 × pH等交互项修正了模型的系统偏差，这在水文学上是合理的。总之，所提出的框架作为精确预测工具具有应用前景，并为更好地理解马哈巴德水库的水质动态提供了有用的分析基础，但仍需使用更大的数据集进行进一步验证。