基于GNIPSO-SVR的水质预测模型研究（八）

根据式(24)-(26)计算出各个预测模型的MAE、RMSE、MAPE三个评价指标，如表4所示。通过表4的数据分析可知，在同种条件下，SVR模型的预测性能优于BP神经网络模型，不同的SVR组合优化方法获得的超参数使水质溶解氧预测模型精度和性能存在一定的差异，GNIPSO-SVR的预测精度和运行时间都优于其它模型。由图8的预测绝对误差可见，在突变点的误差较大，主要是学习样本点较少造成的，GNIPSO-SVR模型可以降低突变点的误差，而且GNIPSO-SVR的绝对误差大部分是处于[0,0.5]的范围。因此，GNIPSO算法优化SVR模型的超参数时，能获得较优的超参数组合，GNIPSO-SVR模型在实际问题中具有较好的适应性，在DO的预测中具有较高的精确度，可以更好的应用于水质指标的预测，有助于相关部门对水环境的监管。

4结论

本文利用主成分分析(PCA)、互信息(MI)、非线性惯性权重递减的粒子群优化算法(GNIPSO)和支持向量回归机(SVR)，提出了一种基于高斯函数的非线性权重递减的粒子群算法优化支持向量回归机(GNIPSO-SVR)的预测模型，通过实验证明了GNIPSO算法优化SVR的参数优于标准的PSO算法和惯性权重线性递减的PSO算法。

在实证中，首先利用PCA分析了其它水质指标和污染物与溶解氧的相关性并确定了应选取8个特征变量，再结合MI值选择了电导率、总磷、浊度、高锰酸钾指数、PH、总氮、PM2.5、O3等8个影响因子作为预测模型的输入，降低了变量之间的耦合性，消除了信息冗余对预测精度的影响，再利用GNIPSO-SVR、标准SVR、PSO-SVR三种模型对上海市的水质指标溶解氧进行预测，仿真结果表明，本文建立的GNIPSO-SVR模型既体现了SVR模型泛化能力强、计算效率高的特点，也体现了GNIPSO具有较高的快速全局寻优能力，进一步提高预测精度和运行效率。而且在上海市长江流域的水质指标溶解氧的预测模型中GNIPSO-SVR算法的预测精度更高，运行时间较短，预测误差更稳定，验证了GNIPSO-SVR模型在实际问题应用中的有效性。

水质的污染程度受多种因素的影响，但在本文中溶解氧的影响因素只考虑了水质系统的内源因素和空气中的污染物，并未考虑人为因素的影响，因此，下一步可以从此进行分析研究。

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：水质，总氮，高锰酸钾