摘 要：溶解氧是衡量水質(zhì)的重要指標(biāo)，對(duì)溶解氧濃度的準(zhǔn)確預(yù)測(cè)，可以為水環(huán)境管理和水污染防治工作提供科學(xué)依據(jù)?？紤]溶解氧受外界多種復(fù)雜因素影響，數(shù)據(jù)具有強(qiáng)烈的非線性和非平穩(wěn)性特征，提出了ＤＡ－ＣＮＮ－ＢｉＬＳＴＭ 溶解氧濃度預(yù)測(cè)模型，其中ＣＮＮ層用于提取數(shù)據(jù)局部特征，空間注意力機(jī)制關(guān)注對(duì)預(yù)測(cè)結(jié)果具有更高影響的特征，ＢｉＬＳＴＭ 挖掘輸入序列的前向和后向鄰域信息，時(shí)間注意力機(jī)制捕捉不同時(shí)刻的時(shí)間依賴性。將模型應(yīng)用于福建閩江３ 個(gè)水質(zhì)監(jiān)測(cè)站的溶解氧濃度預(yù)測(cè)中，通過與基線模型的對(duì)比表明：相較于基線模型，ＤＡ－ＣＮＮ－ＢｉＬＳＴＭ 模型對(duì)ＤＯ 濃度具有更好的預(yù)測(cè)效果，模型的預(yù)測(cè)值更接近于實(shí)測(cè)值，溶解氧濃度預(yù)測(cè)性能最優(yōu)；加入空間注意力機(jī)制后，模型的預(yù)測(cè)性能得到提升。

關(guān)鍵詞：注意力機(jī)制；ＣＮＮ－ＢｉＬＳＴＭ 模型；時(shí)間序列預(yù)測(cè)；溶解氧濃度預(yù)測(cè)

中圖分類號(hào)：Ｘ３２ 文獻(xiàn)標(biāo)志碼：Ａ ｄｏｉ：１０．３９６９／ ｊ．ｉｓｓｎ．１０００－１３７９．２０２４．０７．０１６

引用格式：謝小良，吳琳琳．基于ＤＡ－ＣＮＮ－ＢｉＬＳＴＭ 的河流溶解氧濃度預(yù)測(cè)［Ｊ］．人民黃河，２０２４，４６（７）：９２－９７，１１１．

０ 引言

水環(huán)境質(zhì)量與自然界中生物的生存和發(fā)展息息相關(guān)，水質(zhì)預(yù)測(cè)是水環(huán)境管理的重要依據(jù)之一，溶解氧（ＤＯ）是衡量水質(zhì)優(yōu)劣的重要指標(biāo)［１－３］ 。溶解氧濃度過低會(huì)導(dǎo)致河流中厭氧細(xì)菌快速繁殖，有機(jī)物在缺氧條件下被微生物分解發(fā)生腐敗，從而造成河流水體變黑發(fā)臭。此外，溶解氧濃度影響水體中重金屬的分解轉(zhuǎn)化速度和水生生物的生命活動(dòng)［４］ 。準(zhǔn)確預(yù)測(cè)和判斷溶解氧濃度變化情況，可以為水環(huán)境管理和水污染防治工作提供科學(xué)依據(jù)［５］ 。

傳統(tǒng)的基于物理動(dòng)力學(xué)模型的水質(zhì)預(yù)測(cè)方法能夠從機(jī)理層面解析河流水動(dòng)力特征及其形成機(jī)制［６］ ，但需要大量水文資料支撐，模型的關(guān)鍵參數(shù)具有不確定性，導(dǎo)致水質(zhì)預(yù)測(cè)精度不高，泛化能力差［７］ 。以自回歸綜合移動(dòng)平均（ＡＲＩＭＡ）模型為代表的統(tǒng)計(jì)模型計(jì)算簡(jiǎn)單，但僅適用于線性系統(tǒng)預(yù)測(cè)，難以捕捉水質(zhì)數(shù)據(jù)的非線性關(guān)系，同時(shí)在模型識(shí)別階段要求監(jiān)測(cè)數(shù)據(jù)具有平穩(wěn)性［８］ ，因此模型應(yīng)用具有一定局限性。近年來，隨著人工智能技術(shù)的發(fā)展，支持向量機(jī)［９ －１０］ 、隨機(jī)森林［１１ －１２］ 、神經(jīng)網(wǎng)絡(luò)［１３ －１４］ 等機(jī)器學(xué)習(xí)算法被廣泛應(yīng)用于水質(zhì)預(yù)測(cè)領(lǐng)域。卷積神經(jīng)網(wǎng)絡(luò)（ＣＮＮ）和循環(huán)神經(jīng)網(wǎng)絡(luò)（ＲＮＮ）是目前主要使用的深度學(xué)習(xí)算法［１５－１６］ ，其中：ＣＮＮ 能夠提取水質(zhì)數(shù)據(jù)的局部特征，且參數(shù)較少，能夠緩解模型參數(shù)多引起的過擬合問題［１７］ ；長(zhǎng)短期記憶網(wǎng)絡(luò)（ＬＳＴＭ）克服了ＲＮＮ 梯度消失的問題，能夠很好地提取中長(zhǎng)期水質(zhì)序列的特征［１８－１９］ ，但標(biāo)準(zhǔn)ＬＳＴＭ 模型只對(duì)水質(zhì)序列進(jìn)行正向處理；此外，隨著時(shí)間步長(zhǎng)的增加，ＬＳＴＭ 模型捕捉數(shù)據(jù)長(zhǎng)期依賴性的能力下降，容易造成一些重要特征被遺忘，對(duì)長(zhǎng)期時(shí)序規(guī)則的挖掘有待優(yōu)化［２０－２１］ 。雙向長(zhǎng)短期記憶網(wǎng)絡(luò)（ＢｉＬ?ＳＴＭ）能夠?qū)W習(xí)輸入數(shù)據(jù)中的前向和后向鄰域信息，從而獲得更準(zhǔn)確的預(yù)測(cè)結(jié)果［２２］ 。