论文部分内容阅读
针对复杂水域水质变化机理难以掌握、水质预测建模困难且预测精度低的问题,将时间序列分析方法与机器学习方法引入水质预测领域,提出了基于差分自回归移动平均(ARIMA)与支持向量回归(SVR)组合模型的水质预测方法。数据经过预处理后先由ARIMA模型对其进行线性拟合,然后通过SVR模型预测残差以补偿其中的非线性变化。选择巢湖水域2004—2015年间的pH和溶解氧监测数据作为试验样本,通过Hodrick-Prescott(HP)滤波方法分析,结果表明2组数据具有不同的趋势特性和波动特性。根据精度评价指标对比分析