基于GNIPSO-SVR的水质预测模型研究（四）

(6)判断GNIPSO算法是否满足终止条件，若不满足，则返回步骤(4)继续迭代；若满足，那么将终止迭代，输出寻优结果，并把具有最小适应度值的(cbest,gbest)代入到SVR模型中进行训练，再利用训练好的GNIPSO-SVR模型对DO进行预测。

3实证研究

3.1数据来源及预处理

本文数据来源于中国环境监测总站(http://www.cnemc.cn/)，选取上海市长江流域的临江、闵行西界(松浦大桥)、吴淞口、蕴川路桥、黄渡等17个断面的2020年12月15-18日的326个样本的水质数据，监测站点每4小时发布一次实时数据。水质指标包括目标变量DO和14个特征变量：水温、pH、电导率、浊度、高锰酸钾指数、氨氮、总磷、总氮及空气污染物中的PM2.5、PM10、NO₂、SO₂、CO、O₃。

采集到的数据一般不直接采用，需经过数据的归一化处理。这是因为水质因子指标的范围比较大，不同的数据具有不同的量纲单位，为了消除水质指标彼此之间的量纲影响及保证这些数据之间具有可比性以及提高模型的运行速度和预测精度。本文采用MATLAB R2018a的map-maxmin函数进行归一化处理，如式(23)所示，“apply”模式是将数据指标转化到[-1,1]之间，便于对比预测，而“resver”模式可以将数据反归一化回去。

式(23)中，xi表示的是数据的样本值，xmax表示的是最大值，xmin表示的是最小值，ymax与ymin分别为1和-1，y'表示数据的归一化值。

3.2特征变量对溶解氧的影响

在减少信息丢失的基础上降低预测模型的输入维度，首先利用PCA计算水质溶解氧主成分因子的累计方差贡献率，选择90%的累计方差贡献率为阈值，把方差贡献率的累加值超过90%的因子数作为特征变量的选取个数，如图2所示。从图2中可以看出，当第8个特征因子出现的时候，其总体的累计方差贡献率超过了90%，因此选取8个特征因子代替原变量作为预测模型的输入。再利用互信息分别求出14个影响因子与溶解氧之间的互信息值，可以得出溶解氧与各个水质指标的依赖程度较高，与空气中的污染物因素依赖程度较低。其重要影响因子依次为电导率、总磷、浊度、高锰酸钾指数、PH、氨氮、水温、总氮、PM2.5、NO2、PM10、O3、CO、SO2，如表1所示。

声明：本文所用图片、文字来源《信息与控制》，版权归原作者所有。如涉及作品内容、版权等问题，请与本网联系删除。

相关链接：溶解氧，监测，O₃