基于WT-CNN-LSTM的溶解氧含量预测模型

溶解氧(Dissolved oxygen,DO)含量是影响水产养殖产量的重要因素之一具有时序性、不稳定性和非线性等特点,且其影响因子过多、存在复杂的耦合关系,难以实现精准预测。针对传统长短时记忆神经网络(Long shortterm memory,LSTM)预测模型易引入冗余数据,且在训练过长序列时会出现梯度消失现象,从而不能捕捉因子间长期的依赖性问题,提出了基于小波变换(Wavelet transform,WT)、卷积神经网络(Convolutional neural network,CNN)和LSTM的溶解氧含量预测模型。首先使用WT降低数据噪声;然后,使用CNN深度挖掘各变量之间的潜在关系;最后,利用,LSTM的时序性预测2 h后的水产养殖溶解氧含量。结果表明,本文提出的WT-CNN-LSTM模型预测效果良好,其平均绝对误差、均方根误差和决定系数分别为0.138、0.229和0.954,比传统LSTM模型分别优化了28.87%、21.03%和4.61%。