构建基于数据驱动的水质预测模型对湖泊污染预警具有重要意义

为克服输入特征缺乏理论基础及精度较低等缺点

首先应用K最近邻（KNN）算法、数据清除法、VMD变分模态分解数据处理技术对水质数据进行预处理;然后利用最大信息系数（MIC）算法确定各特征重要性程度并制定输入方案

导入LSBoost预测模型

同时为避免模型过拟合问题

提高模型泛化能力

利用霜冰优化算法（RIME）、变色龙优化算法（CSA）、大猩猩优化算法（GTO）等仿生算法优化模型超参数;最后将构建的32种深度学习模型应用于千岛湖DO浓度值预测中。结果表明

MIC算法优选输入特征

以降低冗余特征的干扰

LSBoost模型预测性能有所提升

在千岛湖小金山、三潭岛、大坝前水质监测站最优预测模型分别为MIC-LSBoost7、MIC-LSBoost4、MICLSBoost4

其决定系数（R

2

）均大于0.81

预测误差(e

MAPE

)均小于4.05%。仿生算法对MIC-LSBoost模型超参数进行优化

构建湖泊DO浓度值最优预测模型

R

2

均大于0.890

e

MAPE

在3.072%以内

该模型可优选与预测指标相关特征

有效提高了模型捕捉DO浓度值演变规律的敏感性。