《表3 各水质参数预测效果》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《基于长短时记忆网络的水质预测模型研究》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

为验证本文构建的缺失值填补—LSTM水质预测模型对精度的提升效果，以传统LSTM水质预测模型作为对比模型，进行缺失值填补算法有效性分析试验。本文利用传统水质领域中缺失值处理方式，对在线监测数据集的缺失值进行忽略处理，即直接用有效连续序列进行建模，其余与试验1条件保持一致。由表3可知，经由缺失值填补处理，pH值预测的RMSE指标降低了36%，MAE指标降低了55%，COD预测的MAE指标降低了65%；DO预测RMSE指标降低近10%，而氨氮预测RMSE效果变化不明显，这可能是由于氨氮本身数值较小，且变化较小导致的，因此对氨氮预测曲线进行作图观察，如图7所示，缺失值填补算法—LSTM预测曲线更贴近真实值。