目前溶解氧的估算模型都是基于统计学习,机器学习算法和深度学习算法,深度学习在处理时间序列上有优越性,在各个领域得到了大量的应用。深度学习在时间序列方面的预测主要依赖于循环神经网络,该算法能够将过去时刻的信息与当前时刻的信息融合,来预测或估算信息,但是该方法在处理长时间序列问题时,容易造成梯度消失和梯度爆炸
[10]。循环神经网络的变种长短时记忆网络(Long Short-Term Memory,LSTM)能够解决长时间序列的问题。李志刚等
[11]采用LSTM循环神经网络和ARIMA两种预测模型对高炉煤气产生量预测,验证了结合LSTM模型与ARIMA模型能够改善模型的弊端,提高了预测的精度;范竣翔等
[12]采用循环神经网络用于空气污染时空序列的预测,并比较不同模型的预测精度,得出了LSTM预测模型要优于传统的全连接神经网络。Ma等
[13]使用LSTM模型自动确定最佳滞后,建立了短期交通预测,表明了LSTM可以在准确性和稳定性方面实现最佳预测性能。杨祎玥等
[14]采用小波变换将水文时间序列分解为多个低频和高频序列,然后针对各个序列建立LSTM预测模型,这种将小波变换和LSTM模型结合的模型在水文时间序列预测的应用上具有一定的帮助。Akita等
[15]通过段落向量(Paragraph Vector)将报纸文章转换为分布式表示,模拟过去事件对LSTM模型的时间影响,建立金融时间序列预测模型并得到了很好的预测准确度。石磊
[16]等结合了自注意力机制(Attention)和Tree-LSTM模型实现对社会热点事件的情感倾向。谢明磊
[17]利用主成分分析(Principal Component Analysis,PCA)对气象数据的特征进行降维,然后对自适应矩估计(Adaptive Moment Estimation,ADAM)算法优化后的LSTM网络进行建模,实现住宅负荷的短期预测方法。Najah等
[18]研究了多层感知器神经网络(Multi-Layer Perception-Artificial Neural Network,MLP-ANN),集合神经网络(Ensemble Neural Network, ENN)和SVM三个模型对溶解氧的预测。Wen等
[19]通过对pH、电导率、氯、钙、总碱度、总硬度、硝态氮和氨氮等变量建立ANN模型,能够模拟水质的参数,实现溶解氧预测建模。Rankovic等
[20]利用Levenberg-Marquardt算法用于训练前馈神经网络(Feedforward Neural Network,FNN),并通过灵敏度分析确定最有效的输入为pH和温度,进而实现有效的溶解氧预测。然而目前利用LSTM网络对溶解氧进行估算较少,陈英义等
[21]将PCA和LSTM网络模型结合,通过对水温、土壤温度、土壤水分等数据建立溶解氧预测模型,提高了溶解氧的预测精度。但是,该模型并没有针对低溶解氧估算进行优化,而是进行全局优化,难以最大限度保证低溶解氧时的更高估算精度。