基于ＤＡ⁃ＣＮＮ⁃ＢｉＬＳＴＭ 的河流溶解氧浓度预测

摘 要：溶解氧是衡量水质的重要指标，对溶解氧浓度的准确预测，可以为水环境管理和水污染防治工作提供科学依据。考虑溶解氧受外界多种复杂因素影响，数据具有强烈的非线性和非平稳性特征，提出了ＤＡ－ＣＮＮ－ＢｉＬＳＴＭ 溶解氧浓度预测模型，其中ＣＮＮ层用于提取数据局部特征，空间注意力机制关注对预测结果具有更高影响的特征，ＢｉＬＳＴＭ 挖掘输入序列的前向和后向邻域信息，时间注意力机制捕捉不同时刻的时间依赖性。将模型应用于福建闽江３ 个水质监测站的溶解氧浓度预测中，通过与基线模型的对比表明：相较于基线模型，ＤＡ－ＣＮＮ－ＢｉＬＳＴＭ 模型对ＤＯ 浓度具有更好的预测效果，模型的预测值更接近于实测值，溶解氧浓度预测性能最优；加入空间注意力机制后，模型的预测性能得到提升。

关键词：注意力机制；ＣＮＮ－ＢｉＬＳＴＭ 模型；时间序列预测；溶解氧浓度预测

中图分类号：Ｘ３２ 文献标志码：Ａ ｄｏｉ：１０．３９６９／ ｊ．ｉｓｓｎ．１０００－１３７９．２０２４．０７．０１６

引用格式：谢小良，吴琳琳．基于ＤＡ－ＣＮＮ－ＢｉＬＳＴＭ 的河流溶解氧浓度预测［Ｊ］．人民黄河，２０２４，４６（７）：９２－９７，１１１．

０ 引言

水环境质量与自然界中生物的生存和发展息息相关，水质预测是水环境管理的重要依据之一，溶解氧（ＤＯ）是衡量水质优劣的重要指标［１－３］ 。溶解氧浓度过低会导致河流中厌氧细菌快速繁殖，有机物在缺氧条件下被微生物分解发生腐败，从而造成河流水体变黑发臭。此外，溶解氧浓度影响水体中重金属的分解转化速度和水生生物的生命活动［４］ 。准确预测和判断溶解氧浓度变化情况，可以为水环境管理和水污染防治工作提供科学依据［５］ 。

传统的基于物理动力学模型的水质预测方法能够从机理层面解析河流水动力特征及其形成机制［６］ ，但需要大量水文资料支撑，模型的关键参数具有不确定性，导致水质预测精度不高，泛化能力差［７］ 。以自回归综合移动平均（ＡＲＩＭＡ）模型为代表的统计模型计算简单，但仅适用于线性系统预测，难以捕捉水质数据的非线性关系，同时在模型识别阶段要求监测数据具有平稳性［８］ ，因此模型应用具有一定局限性。近年来，随着人工智能技术的发展，支持向量机［９ －１０］ 、随机森林［１１ －１２］ 、神经网络［１３ －１４］ 等机器学习算法被广泛应用于水质预测领域。卷积神经网络（ＣＮＮ）和循环神经网络（ＲＮＮ）是目前主要使用的深度学习算法［１５－１６］ ，其中：ＣＮＮ 能够提取水质数据的局部特征，且参数较少，能够缓解模型参数多引起的过拟合问题［１７］ ；长短期记忆网络（ＬＳＴＭ）克服了ＲＮＮ 梯度消失的问题，能够很好地提取中长期水质序列的特征［１８－１９］ ，但标准ＬＳＴＭ 模型只对水质序列进行正向处理；此外，随着时间步长的增加，ＬＳＴＭ 模型捕捉数据长期依赖性的能力下降，容易造成一些重要特征被遗忘，对长期时序规则的挖掘有待优化［２０－２１］ 。双向长短期记忆网络（ＢｉＬ⁃ＳＴＭ）能够学习输入数据中的前向和后向邻域信息，从而获得更准确的预测结果［２２］ 。