收藏本站
收藏 | 投稿 | 手机打开
二维码
手机客户端打开本文

融合ARIMA模型和GAWNN的溶解氧含量预测方法

吴静  李振波  朱玲  李晨  
【摘要】:针对河流污染治理、水源管理,提出了融合差分自回归滑动平均ARIMA模型和遗传算法优化的小波神经网络相结合的河流水质预测方法。将采集的河流水质参数时间序列数据,分解为线性和非线性序列,线性数据使用ARIMA模型预测,使用最小二乘法完成了ARIMA模型参数估计。对于经过ARIMA模型处理的非线性残差数据、预测值与原始溶解氧序列之间的线性和非线性关系,采用小波神经网络(WNN)获得预测值,并采用遗传算法的选择、交叉、变异等操作优化网络参数,比传统WNN模型预测精度显著提高。ARIMA模型、小波神经网络、遗传算法优化小波神经网络(GAWNN)和未经遗传算法优化的组合模型预测平均绝对误差分别为0.29%、0.39%、0.26%、0.24%,提出的组合模型预测结果平均绝对误差约0.19%且为最小。结果表明,该组合模型优于单个模型和传统组合模型的预测结果。

知网文化
【相似文献】
中国期刊全文数据库 前5条
1 孟凡强;;ARIMA模型在空气污染指数预测中的应用[J];统计与决策;2009年07期
2 武云云;刘建香;崔宏星;张庆召;尚兵;邓君;;探讨ARIMA模型在核电站外围环境放射性水平预测中的应用[J];现代预防医学;2014年11期
3 魏丽华;任志远;;陕西省人均生态足迹ARIMA模型测算[J];干旱地区农业研究;2009年04期
4 裴宁彪;;河北省夏季降水的季节性ARIMA模型及预报[J];河北机电学院学报;1986年02期
5 赵成柏;毛春梅;;基于ARIMA和BP神经网络组合模型的我国碳排放强度预测[J];长江流域资源与环境;2012年06期
中国硕士学位论文全文数据库 前4条
1 苗亚男;基于卡尔曼滤波的ARIMA—GM雾霾预测及扩散消失模型研究[D];吉林大学;2016年
2 刘源;基于GM-ARIMA模型的成都市生活垃圾产量预测研究[D];西南交通大学;2016年
3 徐兰芹;基于ARIMA组合模型的济南市空气质量指数(AQI)研究[D];山东大学;2017年
4 马晓涛;ARIMA和RBF神经网络在水环境溶解氧预测中的应用研究[D];北京林业大学;2015年
 快捷付款方式  订购知网充值卡  订购热线  帮助中心
  • 400-819-9993
  • 010-62982499
  • 010-62783978