Page 188 - 《环境工程技术学报》2023年第1期

· 184 · 环境工程技术学报 第 13 卷

表 3 COD M n 时间序列以分解成分的预测模型的
时间滞后值
Table 3 Time lags of the prediction model of the
decomposition components of COD time series
Mn
成分类型 1 d以后预测 7 d以后预测
MODE 1 47 41
MODE 2 52 46
MODE 3 49 43
MODE 4 36 30
MODE 5 54 48
MODE 6 41 35
MODE 7 54 48
MODE 8 56 50

表 4 BLST M 神经网络的超参数
Table 4 Hyperparameters of BLSTM neural network
参数 数值
BLSTM层数 2
第一层的神经元数 输入大小×2
图 4 EW 对鄱阳 湖 COD n 时间序列的数据分解
T
M
第二层的神经元数 输入大小
Fig.4 Data decomposition of COD time series by EWT in
Mn
Poyang Lake 最小批量大小 16

学习率
表 2 ICEEMDA 分解成分的样本熵 0.01
N
Table 2 Sample entropy calculation of ICEEMDAN modes 最大迭代次数 100
成分类型 样本熵
{0.1,0.01,0.001}。 考 虑 到 训 练 中 迭 代 次 数 超过
原始数据 0.85 50～8 以后训练误差基本不变，最大迭代次数设置
0
MODE 1 0.81 为 100。2）对每组超参数，计算验证集预测结果并比
MODE 2 0.72 较，最终将预测误差最低的超参数组选为模型的超
MODE 3 0.57 参数。
MODE 4 0.45 3.2 模型的预测性能评价
1
MODE 5 0.19 在 3. 节优化模型结构及其超参数后，使用测试
MODE 6 0.09 集来测试构建模型的预测精度（测试阶段）。 表 5 显
MODE 7 0.04 示 了 EWT-BLST M 模型的预测性能。从 表 5 可以看
d
MODE 8 0.00 出 ，EWT-BLST M 模 型 在 1 和 7 以 后 预 测 中的
MAP 分别 为 2.25 % 和 8.36%，预测精度较高。
E
时间 点 t，{MODE (t-46), MODE (t-45),···, MODE (t)}
1 1 1
表 5 测试阶 段 EWT-BLST M 模型的预测性能
作为输入，预 测 MODE (t+1)。同样，得到所有分解
1
成分的预测 值 MODE (t+1)(k=2,3,···,8 后，将这些值 Table 5 Forecast performance of EWT-BLSTM model in the
)
k testing stage
相加，就得 到 (t+1 时刻 的 COD n 预测值。
)
M 预测类型 MAE/(mg/L) RMSE/(mg/L) MAPE/%
3.1.3 BLST M 神经网络的优化
1 d以后预测 0.05 0.07 2.25
采用网格搜索优化方法来确 定 BLST M 神经网
7 d以后预测 0.20 0.32 8.36
络的最佳结构和超参数。 表 4 列出了获得的超参
数。具体步骤：1）对每个超参数选择其合适范围，如 3.3 预测性能比较
BLST M 层数为 1～3；每层神经元数为{[N/2]、N、 3.3.1 整体性能比较
[3N/2]、[2N]、[5N/2]、3N}( 为输入的大小，[ 为取 参与比较的模 型 (2.4. 节 的预测评价结果如
)
2
N
]
整函数)；最小批量大小为{8,16,32,64}；学习率为 表 6 所示。由 表 6 可知，与单一 的 BLST M 模型相