时间序列模型和LSTM模型在水质预测中的应用研究

针对传统河流水质预测模型预测精度较低,泛化能力弱的问题.本文在基于传统的时间序列模型进行水质预测的基础上,引入了LSTM神经网络,建立了ARIMA和LSTM组合模型以及SARIMA和LSTM组合模型用于河流水质预测的研究.结果表明,ARIMA和LSTM组合模型的预测精度比单一的ARIMA模型提高了约7％,SARIM和LSTM组合模型比单一的SA-RIMA模型的预测精度提高了约6％,比ARIMA和LSTM组合模型的预测精度提高了约2％.本文建立的组合模型算法,使得河流水质预测精度得到明显的提高,并且能够较好的应对复杂河流水环境的变化.