Prophet是Facebook開源的一種時(shí)間序列預(yù)測(cè)模型,擅長(zhǎng)處理具有大異常值和趨勢(shì)變化的日常周期數(shù)據(jù)。針對(duì)Prophet時(shí)序模型在短時(shí)間數(shù)據(jù)上預(yù)測(cè)精度較低的問題,提出了基于Prophet改進(jìn)的Prophet_SVR模型對(duì)未來2 h內(nèi)溶氧參數(shù)進(jìn)行預(yù)測(cè),并利用對(duì)比模型在相同數(shù)據(jù)上進(jìn)行對(duì)比試驗(yàn)。試驗(yàn)結(jié)果通過均方根誤差(E_RMSE)和平均絕對(duì)百分比誤差(E_MAPE)進(jìn)行對(duì)比。結(jié)果顯示:Prophet_SVR模型的試驗(yàn)結(jié)果相對(duì)于Prophet時(shí)序模型E_RMSE下降0.197 1,E_MAPE下降3.890 4%。試驗(yàn)對(duì)比可知,Prophet_SVR預(yù)測(cè)模型在降低預(yù)測(cè)整體誤差和提升單個(gè)數(shù)值預(yù)測(cè)精度上效果更優(yōu)。該方法訓(xùn)練模型的時(shí)間更短、效率更高,為短期水質(zhì)參數(shù)預(yù)測(cè)提供了參考。 

【文章來源】：漁業(yè)現(xiàn)代化. 2020,47(03)CSCD

【文章頁數(shù)】：7 頁

【部分圖文】：

水質(zhì)溶氧參數(shù)變化曲線圖

參數(shù)設(shè)置:結(jié)合文獻(xiàn)[23],調(diào)整懲罰系數(shù)C,以及選用的核函數(shù)對(duì)應(yīng)的系數(shù)gama這兩個(gè)參數(shù)的取值,以求得模型的最優(yōu)化。模型中選擇RBF作為核函數(shù),通過試驗(yàn)對(duì)比,當(dāng)設(shè)置懲罰系數(shù)C為7.5,gama系數(shù)為1時(shí)得到的均方根誤差最小為0.255 8,因此設(shè)定C為7.5,gama為1。Prophet_SVR模型的結(jié)構(gòu)如圖2所示。2)神經(jīng)網(wǎng)絡(luò)的優(yōu)化。將通過Prophet模型得到的訓(xùn)練預(yù)測(cè)集TP和原始數(shù)據(jù)的訓(xùn)練集T分別作為神經(jīng)網(wǎng)絡(luò)的輸入與期望輸出,通過進(jìn)行反向傳播訓(xùn)練模型。最后將由Prophet模型得到的預(yù)測(cè)集P作為訓(xùn)練好的NN模型的輸入,得到長(zhǎng)度為120的優(yōu)化預(yù)測(cè)值集。

水質(zhì)溶氧預(yù)測(cè)試驗(yàn)流程圖


本文編號(hào)：3575647