Page 189 - 《环境工程技术学报》2023年第1期

第 1 期 陈伟等：基于经验小波变换的鄱阳 湖 COD M n 预测 · 185 ·

比，结合数据分解技术的混合模型的预测精度更 LST M 模型相比，EWT-BLST M 模型 的 MAP 分别
E
高。在预测未 来 1 以后 的 COD n 时，WD-BLSTM、 降低 了 10.24%、7.54%、0.09%；预 测 7 以 后 COD
d
d
M Mn
EMD-BLSTM、EWT-BLST M 模型 的 MAP 比单一 时， 与 EWT-SVR、EWT-ELM、EWT-LST M 模型相
E
E
BLST M 模 型 分 别 降 低 了 6.01% 、3.45% 、10.53%； 比，EWT-BLST M 模型 的 MAP 分别降低 了 15.39%、
在 预 测 未 来 7 以 后 的 COD n 时 ，WD-BLSTM、 3.33%、3.06%，说 明 BLST M 神经网络在构建混合模
d
M
E
EMD-BLSTM、EWT-BLST M 模型 的 MAP 比单一 型时具有非常可靠的预测能力。
BLST M 模型分别降低了 12.80%、9.82%、16.16%， 3.3.2 预测值和实测值之间的一致性程度
表明数据分解技术可以提高模型的预测精度。在基 为了更直观地展 示 EWT-BLST M 模型的优势，
于各种数据分解的混合型模型中，本研究提出的 将 4 个模 型 (BLSTM、WD-BLSTM、EMD-BLSTM、
)
EWT-BLST M 模型的预测精度最高， 与 WD-BLSTM、 EWT-BLSTM 在测试阶段的预测值和实测值使用
d
EMD-BLST M 模型相比，1 预测 的 MAP 降低了 散点 图 ( 图 5)和折线 图 ( 图 6 表示。从 图 5 可以看
E
)
4.52%、7.08% ， 7 预 测 的 MAP E 降 低 了 3.36%、 出，EWT-BLST M 模型的点在回归线附近最集中，决
d
2
6.34%，表 明 EW 技术比其他分解技术更有效。而 定系 数 (R ) 最高，说明所提出模型的预测值与实测
T
表 6 中数据显示，EWT-BLST M 模型的预测精度高 值之间一致性最好。从 图 6 可以看出，EWT-BLSTM
于 EWT-SVR、EWT-ELM、EWT-LST M 模型。预测 模型在水质参数的极值处，预测精度高于其 他 3 个
1 以 后 COD n 时， 与 EWT-SVR、EWT-ELM、EWT- 模型。这说明在数据相对复杂、极端的情况下，本研
d
M

表 6 各模型的预测性能比较
Table 6 Comparison of the prediction performance of different models
1 d以后预测 7 d以后预测
模型
MAE/(mg/L) RMSE/(mg/L) MAPE/% MAE/(mg/L) RMSE/(mg/L) MAPE/%
BLSTM 0.32 0.62 12.78 0.60 0.87 24.52
WD-BLSTM 0.17 0.35 6.77 0.28 0.46 11.72
EMD-BLSTM 0.19 0.23 9.33 0.34 0.52 14.70
EWT-SVR 0.30 0.5 12.49 0.49 0.67 23.75
EWT-ELM 0.23 0.36 9.79 0.29 0.49 11.69
EWT-LSTM 0.05 0.08 2.34 0.25 0.35 11.42
EWT-BLSTM 0.05 0.07 2.25 0.20 0.32 8.36

图 5 鄱阳湖测试阶 段 COD n 预测值和实测值之间的相关性 (P<0.01)
M
Fig.5 Correlation between predicted and measured COD values of Poyang Lake in test stage (P < 0.01)
Mn