Prophet是Facebook開源的一種時間序列預測模型,擅長處理具有大異常值和趨勢變化的日常周期數據。針對Prophet時序模型在短時間數據上預測精度較低的問題,提出了基于Prophet改進的Prophet_SVR模型對未來2 h內溶氧參數進行預測,并利用對比模型在相同數據上進行對比試驗。試驗結果通過均方根誤差(E_RMSE)和平均絕對百分比誤差(E_MAPE)進行對比。結果顯示:Prophet_SVR模型的試驗結果相對于Prophet時序模型E_RMSE下降0.197 1,E_MAPE下降3.890 4%。試驗對比可知,Prophet_SVR預測模型在降低預測整體誤差和提升單個數值預測精度上效果更優(yōu)。該方法訓練模型的時間更短、效率更高,為短期水質參數預測提供了參考。 

【文章來源】：漁業(yè)現代化. 2020,47(03)CSCD

【文章頁數】：7 頁

【部分圖文】：

水質溶氧參數變化曲線圖

參數設置:結合文獻[23],調整懲罰系數C,以及選用的核函數對應的系數gama這兩個參數的取值,以求得模型的最優(yōu)化。模型中選擇RBF作為核函數,通過試驗對比,當設置懲罰系數C為7.5,gama系數為1時得到的均方根誤差最小為0.255 8,因此設定C為7.5,gama為1。Prophet_SVR模型的結構如圖2所示。2)神經網絡的優(yōu)化。將通過Prophet模型得到的訓練預測集TP和原始數據的訓練集T分別作為神經網絡的輸入與期望輸出,通過進行反向傳播訓練模型。最后將由Prophet模型得到的預測集P作為訓練好的NN模型的輸入,得到長度為120的優(yōu)化預測值集。

水質溶氧預測試驗流程圖


本文編號：3575647