基于GA优化的RF-Softmax水质预测模型研究

针对水质检测周期长、成本高等问题，提出了基于遗传算法优化的RF-Softmax水质预测模型。采用机器学习的方法，使用随机森林算法进行特征选择建立水样本中氨氮、总磷2项水质参数与水质类别的数学关系模型方法对水质类别进行预测。采用遗传算法替代传统Softmax回归算法训练过程中使用的梯度下降法，解决了逻辑回归算法在目标函数不是严格凸函数的情况下，容易陷入局部最优解的问题。以江阴市南闸街道地区地表水作为研究对象进行验证，结果表明，使用GA优化的RF-Softmax回归模型预测的准确率最高，其预测正确率相比传统Softmax回归和BP神经网络分别提高11.73和8.40百分点，平均误差分别降低58.68%和34.92%，平均均方根误差分别降低39.02%和23.62%。优化效果显著，能够实现高效、准确、低成本、快速的地表水质预测，为水质监测与预警提供了新思路，对于水质管理与环境保护具有重大意义。