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。     

静电放电算法-投影寻踪融合模型及其在水质综合评价中的应用

为拓展智能算法与投影寻踪(PP)融合模型在水质综合评价中应用,介绍一种新型群体智能算法——静电放电算法(ESDA),选取6个典型测试函数对ESDA进行仿真验证,并与当前寻优效果较好的教学优化(TLBO)算法、灰狼优化(GWO)算法和鲸鱼优化算法(WOA)的仿真结果进行对比。构建ESDA-PP评价模型,以文山州盘龙河干流4个断面2015-2017年共30个月水功能区水质综合评价为例进行实例研究。结果表明:ESDA寻优精度远优于TLBO、GWO、WOA,具有出色的寻优精度和全局搜索能力。ESDA-PP模型对实例天生桥、灰土寨、花桥和天保大桥断面水质综合评价达标率分别为93. 3%、83. 3%、83. 3%和100%,能满足或基本满足水功能区水质保护目标要求。天生桥、灰土寨、花桥断面枯水期水质总体上优于丰水期,面源污染是主导因素;天保大桥断面丰水期水质总体上优于枯水期,点源污染是主导因素。     

怒江干流水沙年内分配特征及其变化趋势

怒江研究基础严重滞后于流域资源保护与开发利用的需求。利用怒江干流贡山、道街坝和木城3个水文站历年月径流和悬移质输沙观测数据,运用集中度与集中期、Mann-Kendall检验和R/S分析等方法,研究怒江干流1964-2011年水沙年内分配时空特征及其变化趋势。结果表明:怒江干流径流呈缓慢上升趋势,但输沙上升趋势明显;怒江干流悬移质输沙年内分配集中度明显高于径流,径流和悬移质输沙年内分配集中度时间上呈波动下降趋势,空间上呈从上游到下游递减的趋势;径流和悬移质输沙年内分配多年平均集中期均在7月中旬,较降水集中期稍有提前;怒江干流径流年内分配集中度未发生突变,悬移质输沙年内分配集中度在1977年开始发生突变,在1995年后下降趋势明显;怒江干流径流和悬移质输沙年内分配集中度未来仍将延续波动下降的趋势,且悬移质输沙年内分配集中度的下降趋势比径流更强。     

改进WOA-指数幂乘积模型在基坑变形预测中的应用

为提高基坑变形预测精度,提出基于拉普拉斯交叉算子(LX)改进的鲸鱼优化算法(LXWOA)优化的指数幂乘积(EPP)基坑变形预测模型。选取4个标准测试函数对LXWOA进行仿真验证,并与基本鲸鱼优化算法(WOA)、灰狼优化(GWO)算法、正弦余弦算法(SCA)、粒子群优化(PSO)算法的仿真结果进行比较。利用LXWOA对EPP模型的指数参数进行优化,构建LXWOA-EPP变形预测模型,并构建WOA-EPP、GWO-EPP、SCA-EPP、PSO-EPP模型与LXWOA-SVM、LXWOA-BP模型作对比,以文献基坑监测数据为例进行实例研究,分别利用自相关函数法和虚假最邻近法确定实例延迟时间和嵌入维数,构建模型输入、输出向量,利用实例前15期和后3期监测数据对各模型进行训练和预测。结果表明:LXWOA搜索能力优于WOA、GWO、SCA和PSO算法,具有较好的寻优精度和全局搜索能力。LXWOA-EPP模型对实例预测的平均相对误差绝对值、平均绝对误差、均方根误差分别为0. 18%、0. 008 mm、0. 009 mm,均优于WOA-EPP等6种模型和文献预测精度,表明LXWOA能有效优化EPP模型参数,LXWOA-EPP模型用于变形预测是可行和有效的,模型及方法可为其他相关预测研究提供参考。