基于序列分解的自适应图-时间卷积网络的多步叶绿素浓度预测

叶绿素浓度能很好地反映水体的营养状况和藻华现象，是评价水质的重要指标。预测叶绿素浓度变化趋势对环境保护和水产养殖具有重要意义。然而，影响叶绿素浓度的诸多因素之间存在复杂且难以分辨的非线性关系。为有效挖掘数据中包含的非线性特征，本文提出一种时间序列分解自适应图-时间卷积网络（AGTCNSD）预测模型。首先，通过移动平均法将原始序列分解为趋势分量和周期分量。其次，基于图卷积神经网络对水质参数数据建模，并定义参数嵌入矩阵，利用矩阵分解思想为每个节点分配权重参数。自适应图卷积学习不同水质参数之间的关系，更新各参数的状态信息，提升节点间更新关系的学习能力。最后，通过时间卷积捕获时间依赖性，实现叶绿素浓度的多步预测。利用沿海城市北海的水质数据验证了模型的有效性。结果表明，该方法的预测效果优于其他方法，可作为环境管理决策的科学依据。