基于数据处理与若干群体算法优化的GRU/LSTM水质时间序列预测

为提高水质时间序列预测精度，提出一种基于小波包变换（WPT）和变色龙优化算法（CSA）、猎豹优化（CO）算法和山瞪羚优化（MGO）算法的优化门限循环控制单元（GRU）、长短期记忆神经网络（LSTM）的预测模型。首先利用WPT对pH值、DO、COD_Mn、NH₃—N时间序列进行平稳化处理，得到若干个规律性较强的子序列分量；其次简要介绍了CSA、CO、MGO算法原理，利用CSA、CO、MGO分别寻优GRU、LSTM超参数，建立WPT-CSA-GRU、WPT-CO-GRU、WPT-MGO-GRU、WPT-CSA-LSTM、WPT-CO-LSTM、WPT-MGO-LSTM模型；最后利用所建立的模型对pH值及DO、COD_Mn、NH₃—N浓度各分量进行预测和重构，并建立WPT-GRU、WPT-LSTM和WPT-CSA-SVM、WPT-CO-SVM、WPT-MGO-SVM模型作对比分析模型，以云南省昆明市观音山断面为例，通过pH值及DO、COD_Mn、NH₃—N浓度预测对模型进行了验证。结果表明：WPT-CSA-GRU、WPT-CO-GRU、WPT-MGO-GRU、WPT-CSA-LSTM、WPT-CO-LSTM、WPT-MGO-LSTM模型对实例pH值及DO、COD_Mn、NH₃—N浓度的预测精度优于其他对比模型，具有较好的预测效果，其中尤以WPT-CSA-GRU、WPT-CO-GRU、WPT-MGO-GRU模型的预测精度最高；CSA、CO、MGO能有效调优GRU、LSTM超参数，显著提高GRU、LSTM预测性能；所构建的6种模型预测精度高且计算规模小，是有效的水质时间序列预测模型，可为相关水质预测研究提供参考。

Prediction of GRU/LSTM water quality time series based on data processing and optimization of several swarm intelligence algorithms