日期：
来源：环境科学研究收集编辑：
基于注意力机制优化的LSTM河流溶解氧预测模型研究
周 泉1,2，胡轩铭3，王东昆3，张武才1,2，陈中颖1,2，王金鹏1,2，汪澎洋3*，任秀文1,2**1.生态环境部华南环境科学研究所，广东 广州 5105302.国家环境保护水环境模拟与污染控制重点实验室，广东 广州 5105303.澳门大学，智慧城市物联网国家重点实验室，澳门特别行政区 999078摘要：
溶解氧是水体中的重要水质指标，构建数据驱动模型，实现对溶解氧的准确预测，将为水环境管理提供科学有效的技术手段。考虑到溶解氧序列数据非线性强、非平稳性突出的特点，提出一种基于双阶段注意力权重优化机制的长短时记忆网络(Long short-term memory，LSTM)的河流溶解氧预测模型(DAIW-LSTM Model)，该模型的编码器包含双阶段权重优化的空间注意力机制，而解码器包含双阶段权重优化的时间注意力机 制。将新模型应用于流溪河流域白云李溪坝、流溪河山庄、从化街口等水质监测站溶解氧日均值预测研究，开展了模型预测效果对比分析，探讨了特征权重优化机制及上游站点水质数据输入对模型预测性能的影响。①通过与基线模型的预测效果对比，验证了模型的精准性，DAIW-LSTM模型对于白云李溪坝站溶解氧预测的平均绝对百分比误差(SMAPE)、平均绝对误差(MAE)、均方误差(MSE)等指标分别为0.075、0.611、0.712，是所有模型中最优。②对于新的注意力权重优化机制，二阶段会对一阶段的初步权重进行优化修正；针对pH、电导率、水温、气温等影响溶解氧预测的重要特征，新模型会自适应调整其权重在时间序列上的分布，从而提高模型的预测精度。③加入上游水质特征的输入影响，通过9个组合试验对比可知，新模型仍然为表现最佳的模型，该系列组合试验也证明上游站点及其特征变量选取的重要性。研究显示注意力权重优化机制的引入使得该模型相较其他基线模型展现出更好的适用性和精准性，可为地表水水质预测研究提供新思路。DOI：10.13198/j.issn.1001-6929.2023.02.18