基于集成模型的污水处理厂出水总氮预测方法

X703; 污水处理厂是控制水体污染、改善水环境质量的重要基础设施,建立可靠的污水处理厂出水水质预测模型以便及时反馈污水处理状况是污水处理领域的研究热点之一.利用Stacking集成思想结合LSTM、BPNN、SVR、XGBoost、KNN 5种算法建立了污水处理厂出水总氮的预测模型.分析单一算法预测效果发现,KNN算法与其他算法相比拟合程度偏低,RMSE、MAE和R2 分别为1.10、0.995和0.567,可作为Stacking模型的元学习器.通过算法间预测性能差异的比较,选择LSTM、BPNN、SVR、XGBoost算法作为基学习器.与其他基、元学习器的组合相比,以LSTM、BPNN、S...

Ausführliche Beschreibung

Gespeichert in:

Bibliographische Detailangaben
Veröffentlicht in:	工业水处理 Jg. 43; H. 9; S. 187 - 194
Hauptverfasser:	姚怡帆, 荆玉姝, 王丽艳, 刘长青
Format:	Journal Article
Sprache:	Chinesisch
Veröffentlicht:	青岛理工大学环境与市政工程学院,山东青岛 266520%青岛张村河水务有限公司,山东青岛 266100 01.09.2023
Schlagworte:	污水处理厂 Stacking集成算法 water quality prediction stacking integration algorithm wastewater treatment plant 水质预测
ISSN:	1005-829X
Online-Zugang:	Volltext
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Beschreibung
Zusammenfassung:	X703; 污水处理厂是控制水体污染、改善水环境质量的重要基础设施,建立可靠的污水处理厂出水水质预测模型以便及时反馈污水处理状况是污水处理领域的研究热点之一.利用Stacking集成思想结合LSTM、BPNN、SVR、XGBoost、KNN 5种算法建立了污水处理厂出水总氮的预测模型.分析单一算法预测效果发现,KNN算法与其他算法相比拟合程度偏低,RMSE、MAE和R2 分别为1.10、0.995和0.567,可作为Stacking模型的元学习器.通过算法间预测性能差异的比较,选择LSTM、BPNN、SVR、XGBoost算法作为基学习器.与其他基、元学习器的组合相比,以LSTM、BPNN、SVR、XGBoost为基学习器,KNN为元学习器的组合方式预测准确度最高,RMSE、MAE和R2 分别为1.01、0.782和0.702.与使用单一算法中预测结果最好的LSTM算法的预测结果相比,该组合的RMSE、MAE分别降低了4.77%和15.1%,R2 提升了10.9%,具有明显的预测优势.
ISSN:	1005-829X
DOI:	10.19965/j.cnki.iwt.2022-1036