摘 要：溶解氧是衡量水質(zhì)的重要指標，對溶解氧濃度的準確預測，可以為水環(huán)境管理和水污染防治工作提供科學依據(jù)?？紤]溶解氧受外界多種復雜因素影響，數(shù)據(jù)具有強烈的非線性和非平穩(wěn)性特征，提出了ＤＡ－ＣＮＮ－ＢｉＬＳＴＭ 溶解氧濃度預測模型，其中ＣＮＮ層用于提取數(shù)據(jù)局部特征，空間注意力機制關(guān)注對預測結(jié)果具有更高影響的特征，ＢｉＬＳＴＭ 挖掘輸入序列的前向和后向鄰域信息，時間注意力機制捕捉不同時刻的時間依賴性。將模型應用于福建閩江３ 個水質(zhì)監(jiān)測站的溶解氧濃度預測中，通過與基線模型的對比表明：相較于基線模型，ＤＡ－ＣＮＮ－ＢｉＬＳＴＭ 模型對ＤＯ 濃度具有更好的預測效果，模型的預測值更接近于實測值，溶解氧濃度預測性能最優(yōu)；加入空間注意力機制后，模型的預測性能得到提升。

關(guān)鍵詞：注意力機制；ＣＮＮ－ＢｉＬＳＴＭ 模型；時間序列預測；溶解氧濃度預測

中圖分類號：Ｘ３２ 文獻標志碼：Ａ ｄｏｉ：１０．３９６９／ ｊ．ｉｓｓｎ．１０００－１３７９．２０２４．０７．０１６

引用格式：謝小良，吳琳琳．基于ＤＡ－ＣＮＮ－ＢｉＬＳＴＭ 的河流溶解氧濃度預測［Ｊ］．人民黃河，２０２４，４６（７）：９２－９７，１１１．

０ 引言

水環(huán)境質(zhì)量與自然界中生物的生存和發(fā)展息息相關(guān)，水質(zhì)預測是水環(huán)境管理的重要依據(jù)之一，溶解氧（ＤＯ）是衡量水質(zhì)優(yōu)劣的重要指標［１－３］ 。溶解氧濃度過低會導致河流中厭氧細菌快速繁殖，有機物在缺氧條件下被微生物分解發(fā)生腐敗，從而造成河流水體變黑發(fā)臭。此外，溶解氧濃度影響水體中重金屬的分解轉(zhuǎn)化速度和水生生物的生命活動［４］ 。準確預測和判斷溶解氧濃度變化情況，可以為水環(huán)境管理和水污染防治工作提供科學依據(jù)［５］ 。

傳統(tǒng)的基于物理動力學模型的水質(zhì)預測方法能夠從機理層面解析河流水動力特征及其形成機制［６］ ，但需要大量水文資料支撐，模型的關(guān)鍵參數(shù)具有不確定性，導致水質(zhì)預測精度不高，泛化能力差［７］ 。以自回歸綜合移動平均（ＡＲＩＭＡ）模型為代表的統(tǒng)計模型計算簡單，但僅適用于線性系統(tǒng)預測，難以捕捉水質(zhì)數(shù)據(jù)的非線性關(guān)系，同時在模型識別階段要求監(jiān)測數(shù)據(jù)具有平穩(wěn)性［８］ ，因此模型應用具有一定局限性。近年來，隨著人工智能技術(shù)的發(fā)展，支持向量機［９ －１０］ 、隨機森林［１１ －１２］ 、神經(jīng)網(wǎng)絡(luò)［１３ －１４］ 等機器學習算法被廣泛應用于水質(zhì)預測領(lǐng)域。卷積神經(jīng)網(wǎng)絡(luò)（ＣＮＮ）和循環(huán)神經(jīng)網(wǎng)絡(luò)（ＲＮＮ）是目前主要使用的深度學習算法［１５－１６］ ，其中：ＣＮＮ 能夠提取水質(zhì)數(shù)據(jù)的局部特征，且參數(shù)較少，能夠緩解模型參數(shù)多引起的過擬合問題［１７］ ；長短期記憶網(wǎng)絡(luò)（ＬＳＴＭ）克服了ＲＮＮ 梯度消失的問題，能夠很好地提取中長期水質(zhì)序列的特征［１８－１９］ ，但標準ＬＳＴＭ 模型只對水質(zhì)序列進行正向處理；此外，隨著時間步長的增加，ＬＳＴＭ 模型捕捉數(shù)據(jù)長期依賴性的能力下降，容易造成一些重要特征被遺忘，對長期時序規(guī)則的挖掘有待優(yōu)化［２０－２１］ 。雙向長短期記憶網(wǎng)絡(luò)（ＢｉＬ?ＳＴＭ）能夠?qū)W習輸入數(shù)據(jù)中的前向和后向鄰域信息，從而獲得更準確的預測結(jié)果［２２］ 。