基于LSTM与XGBoost融合的水质预测

刘凡; 辛存; 郭园; 张群; 杨文栋; 杨炘

欢迎来到能源电力期刊网！

English Version 读者登录期刊登录

您当前的位置：

首页 >

文章列表页 >

基于LSTM与XGBoost融合的水质预测

环保与移民 | 更新时间：2025-09-17

- 基于LSTM与XGBoost融合的水质预测
- 暂无标题
- 水力发电 2025年第8期页码：16-24+37
- 作者机构：
  
  中国电建集团西北勘测设计研究院有限公司
- 作者简介：
- 基金信息：
  
  国家重点研发计划(2023YFF0905500)
- DOI：
  中图分类号： X52;TP18
- 纸质出版日期：2025
- 稿件说明：
移动端阅览
刘凡, 辛存, 郭园, 等. 基于LSTM与XGBoost融合的水质预测[J]. 水力发电, 2025,(8):16-24+37.
刘凡, 辛存, 郭园, 等. 基于LSTM与XGBoost融合的水质预测[J]. 水力发电, 2025,(8):16-24+37. DOI：

DOI：

摘要

随着水质问题日益严峻，准确的水质预测与评估变得尤为重要，为此，提出了一种结合长短期记忆网络(LSTM)与XGBoost算法的水质预测方法(PCA-LSTM-XGBoost)。首先，通过主成分分析(PCA)对水质数据进行降维，简化数据特征，减少冗余信息的干扰，并计算各水质指标的权重；随后，利用LSTM网络对时间序列数据进行建模，捕捉水质参数随时间的动态变化特征，并提取潜在的时间序列信息；最后，将LSTM模型的输出作为XGBoost回归预测模型的输入，采用XGBoost进行二次回归，提高预测精度。实验结果表明，基于LSTM与XGBoost组合模型的预测精度显著优于单独使用LSTM模型。此外，还对比了主成分分析(PCA)与自编码器(Autoencoder)2种降维方法，结果表明PCA在水质预测任务中表现更佳，能够更有效地提升模型的预测性能，具体表现为PCA-LSTM-XGBoost模型均方误差0.31

均方根误差0.56

平均绝对误差0.44

相对于Autoencoder-LSTM-XGBoost模型性能分别提升了44.6%、25.3%、19%。此方法为水质监测与预测提供了新的解决思路，并展示了深度学习与传统机器学习结合的潜力。

Abstract

关键词

Keywords

references

刘四进.基于双层LSTM的泥水盾构掘进运行状态监测方法研究与应用[J].隧道建设(中英文),2024(08).

成志轩,张楠,蒋云鹏.基于LSTM的污水处理厂在线数据清洗研究[J].给水排水,2024(06).

李子熠,张天宇,李鸿强.基于XGBoost和LSTM组合模型的PM2.5浓度预测[J].河北建筑工程学院学报,2023(04).

李余隆,张兰,李立.基于GCN-LSTM的钱塘江南源水质预测研究[J].人民黄河,2023(12).

姚启,缪新颖.基于主成分分析及GA-LM的水产养殖环境溶解氧和氨氮含量预测[J].大连海洋大学学报,2021(05).

王军,高梓勋,朱永明.基于CNN-LSTM模型的黄河水质预测研究[J].人民黄河,2021(05).

康俊锋,谭建林,方雷,肖亚来.XGBoost-LSTM变权组合模型支持下短期PM_(2.5)浓度预测——以上海为例[J].中国环境科学,2021(09).

陈振宇,刘金波,李晨,季晓慧,李大鹏,黄运豪,狄方春,高兴宇,徐立中.基于LSTM与XGBoost组合模型的超短期电力负荷预测[J].电网技术,2020(02).

胡昭华,宋耀良.基于Autoencoder网络的数据降维和重构[J].电子与信息学报,2009(05).

Ding Hanwei.Establishing a soil carbon flux monitoring system based on support vector machine and XGBoost[J].Soft Computing,2024.

Hu Haoguo,van der Westhuysen André J.,Chu Philip,Fujisaki Manome Ayumi.Predicting Lake Erie wave heights using XGBoost and LSTM[J].Ocean Modelling,2021.

Yaohua Hu,Takanori Suzura,Gou NocucHi,Yongyu Li,Yutaka KiTAMURA,Takaaki SATAKE.Study on Evaluation of Carcass Traits and Pork Quality using Principal Component Analysis[J].農業施設: Journal of the Society of Agricultural Structures, Japan,2007.

浏览量

1276

下载量

CSCD

文章被引用时，请邮件提醒。

提交

工具集

关联资源

主成分回归分析在确定大坝效应量分量中的应用

基于EMD-EEMD-LSTM的大坝变形预测模型

基于主成分分析法的灌区工程施工风险研究

基于相似测点残差信息挖掘的大坝变形异常值识别方法研究

基于Informer的风电机组叶根载荷预测