基于CEEMDAN-VMD-TCN-lightGBM模型的水质预测研究

针对目前水质预测模型中因为数据本身的复杂性、在信号处理过程中存在的噪声干扰以及分解深度不够导致单一分解难以全面捕捉信号非线性特征的问题，提出了一种基于二次分解的水质预测模型。该模型采用完全自适应噪声集合经验模态分解（CEEMDAN）对原始数据进行分解，再利用变分模态分解（VMD）对熵值最高的模态分量进行二次分解，最终将处理后的时间序列输入到TCN-lightGBM多特征预测模型中。同时，采用麻雀算法（SSA）对预测模型进行优化。以山东省玉符河水质为例，本模型的均方根误差（RMSE）是0.105 3，平均绝对误差（MAE）是0.081 5，决定系数（R2）是0.947 1，与GRU、LSTM、LightGBM、TCN等当下较为流行的模型的预测指标进行比较。结果显示，在R2上本模型提升了53.04%、70.41%、66.07%、65.20%等，在RMSE上减少了62.76%、65.50%、64.93%、64.80%等，在MAE上降低了62.76%、66.24%、63.80%、65.24%等。由此可知，基于CEEMDAN-VMD-TCN-lightGBM的模型具有更好的预测性能、泛化能力和捕...