文献类型：期刊文章

作　　者：张铭玮[1] 李正权[1,2] 方志豪[1]

ZHANG Mingwei;LI Zhengquan;FANG Zhihao(School of Internet of Things Engineering,Jiangnan University,Wuxi 214122,China;Jiangsu Future Network Innovation Research Institute,Nanjing 211111,China)

机构地区：[1]江南大学物联网工程学院,江苏无锡214122 [2]江苏省未来网络创新研究院,江苏南京211111

出　　处：《中国计量大学学报》

基　　金：未来网络科研基金项目(No.FNSRFP-2021-YB-11),111引智计划基金项目(No.B12018)。

年　　份：2022

卷　　号：33

期　　号：3

起止页码：303-309

语　　种：中文

收录情况：AJ、普通刊

摘　　要：目的:为了加强水质预测模型的预测能力。方法:基于量子粒子群优化的CNN-LSTM水质预测模型,利用CNN对数据的局部特征提取能力以及LSTM模型对时间序列的预测能力,将两个模型结合构建CNN-LSTM模型;再通过量子粒子群算法对CNN-LSTM模型的关键参数进行寻优,使水质信息与网络拓扑结构相匹配,减少人为工作量。结果:QPSO-CNN-LSTM在溶解氧数据的预测结果中,RMSE、MSE、MAE、MAPE分别为0.1475、0.0218、0.0617、0.0118,在pH数据的预测结果中,RMSE、MSE、MAE、MAPE分别为0.0676,0.0046,0.0311,0.0038,均明显低于其他模型。结论:基于量子粒子群优化的CNN-LSTM水质预测模型在水质预测中预测精度较高且具有一定的普遍适用性。

关 键 词：水质预测 量子粒子群 长短时记忆网络  卷积神经网络  深度学习  

分 类 号：X832] TP311]