APP下载

太湖水质的改进模糊时间序列的预测模型

2017-02-14孙曦浩严磊

科技与创新 2016年21期

孙曦浩 严磊

摘 要:环太湖地区的水质监测包括对太湖中蓝藻和微囊藻毒素的动态变化,为以太湖为水源的生活饮用水安全性预警及政府部门科学决策提供科学依据尤为重要。利用模糊时间序列对语言变量的可描述性,以Chen模型为基础,利用模糊集合的专家经验和数据处理给出改进的预测模型。该模型可动态描述未来水质变化的趋势,弥补传统模型仅有精确值而无动态演化的不足。

关键词:太湖水质;模糊时间序列;预测模型;模糊逻辑系统

中图分类号:O159;O211.61 文献标识码:A DOI:10.15913/j.cnki.kjycx.2016.21.015

目前,太湖首要的环境问题是富营养化,主要与气温偏高、太湖水位偏低、湖面风浪较小等外在因素有关,但太湖水体营养盐过剩,磷指标严重超标仍是主要原因。治理太湖富营养化及控制蓝藻水华的暴发实际上是一个复杂的生态学问题,不是一个短时期能解决的问题。因此,建立环太湖地区的水质监测数据库共享平台,及时汇总、分析环太湖地区太湖中蓝藻和微囊藻毒素的动态变化以及水源水、出厂水的水质状况,为以太湖为水源的生活饮用水安全性预警及政府部门科学决策提供科学依据,显得尤为重要。常见的水质预测模型有GM(1,1)、GPSM(1)、ANN、ARIMA及混沌理论模型,其中,基于对历史数据预测的时间序列模型作为一种十分有效的方法被广泛应用,并以此模型发展出了双线性时间序列模型、混沌时间序列模型、ARIMA等模型。但这些水质模型在运用上存在某些缺陷——ARIMA模型的前提是要满足许多条件,GM(1,1)模型只有在原始数据呈指数规律变化的情况下才能获得较高的预测精度,混沌理论模型在水质资料信息较为丰富的条件下才可能实现。……

登录APP查看全文