学习周报-2024.8.31
目录
摘要
Abstract
创新点总结
模型数学原理
实验设置
一、验证实验
二、对比实验
摘要
这周重新梳理出论文的三个创新点，对所提出方法进行数学原理验证，证明其可行性。重新设置了实验部分，分为验证实验和对比实验，一共四个实验，选用基线对比模型有LSTM、GRU、MLP、ITransformer。这周对数据做了选择和处理，后续需要继续调整数据和模型，以达到实验结果要求。
Abstract
This week, three innovative points of the paper were identified, and the proposed method was mathematically validated to prove its feasibility. The experimental section has been reorganized into validation experiments and comparative experiments, with a total of four experiments. The baseline comparative models used include LSTM GRU、MLP、ITransformer。 This week, the data was selected and processed, and further adjustments to the data and model are needed to meet the requirements of the experimental results.
创新点总结
本文提出了一种基于模态分解的深度余量学习模型VDRIformer（VMD Deep Remain ITransformer），用于预测关键水质参数。选取桂林漓江流域的水质监测数据为样本，首先通过模态分离器将水质时序数据分解为代表不同频段特征的本征模态分量。其次，从低频至高频分尺度的学习本征模态分量的演化规律，并通过深层的网络结构和余量学习方法，从本征模态分量集合中充分挖掘空气质量数据的时频域特征，学习数据的本质规律。本文创新点如下：
- 通过变分模态分解技术，将模态纠缠的原始时序数据分离为若干个本征模态分量，得到原信号不同频段的时间特征。将其与深度学习相结合，有效解决模态纠缠以及噪声问题。
- 首次将ITransformer时序预测模型应用于水质预测中，捕获水质中多种变量之间的相关性，有效地处理长时间序列数据。
- 提出了一种基于残差连接结构的余量学习方法，充分学习低频特征，降低高频噪声对于模型挖掘数据更深层次地特征的干扰。
模型数学原理
实验设置
一、验证实验
模型预测性能
为了全面评价VDRIformer模型在不同环境变化下的表现，选取平缓时间段和剧烈时间段数据进行预测验证。
- 分析模型在不同环境变化条件下（平缓和剧烈）的预测误差分布，评估模型对不同类型数据的适应性。
- 通过可视化预测结果与真实值之间的折现图，直观展示模型的预测能力。
- 统计分析模型在平缓变化和剧烈变化条件下的预测性能差异，验证模型在不同环境下的鲁棒性和稳定性。
（折线图）
模型泛化性
验证VDRIformer模型在不同水质参数上的泛化能力，即模型能否在训练时未涉及的水质参数上也保持较高的预测准确性。这包括但不限于溶解氧（DO）、化学需氧量（COD）、生化需氧量（BOD）、氨氮（NH3-N）、总磷（TP）、浊度等指标。通过这种方式，可以全面评估模型在多种水质参数预测中的有效性和可靠性。
- 对每种水质参数的预测结果进行评估，主要使用平均绝对误差（MAE）、均方根误差（RMSE）和对称平均绝对百分比误差（SMAPE）
- 可视化预测结果与实际值的对比图，以直观展示模型在不同水质参数上的表现。
- 根据评估指标分析模型在不同水质参数上的表现，关注模型在新参数上的预测准确性。比较不同水质参数预测结果之间的差异，探讨潜在的原因，如数据特性、参数间的关联性等。
（评价指标表+折线图）
二、对比实验
在不同时间步长上的预测对比
通过与基准模型对比，将其与ARIMA、MLP、LSTM、GRU以及ITransformer进行比较分析。重点考察这些模型在不同预测时间步长（2、4、8、16、24、48）下的性能，全面评估各模型在短期与长期水质预测中的表现。给出各模型评价指标RMSE、MAE和SMAP的定量结果，以及各模型预测散点图更直观的评估预测效果。通过测试结果说明所以提出模型在长、短时间序列预测方面都具有良好的的表现，尤其在长时间、复杂的序列预测上更具优势。
（评价指标表+散点图）
消融实验
为了验证各模块在提高所建模型水质预测准确性方面的有效性，通过从混合模型中删除某些模块，消融实验分三部分：
- 第一部分ITransformer模型：去掉VMD分解器，将预处理后的原数据直接输入ITransfoemer单元
- 第二部分VMD-ITransformer：去掉余量学习结构，VMD分解结果分别输入ITransfoemer单元，将每个单元的结果相加，得到最终预测结果。
- 第三部分：完整VMDIformer模型的预测结果
将三个实验结果进行对比，验证提出模型VMDIformer预测结果表现最好，而缺少模态分解的ITransformer模型在处理复杂周期性和非周期性信号时，其捕捉不同频率成分的能力受限，并且减少噪声干扰能力弱，导致整体预测性能下降。而VMD-ITransformer模型虽然保留了模态分解，但缺乏余量学习结构，这使得它在处理数据时无法有效地逐级细化特征学习，从而影响了其捕捉数据时频域特征的能力，导致预测结果不够精确。
（评价指标表）
总结
这种对论文的创新点重新梳理，提出了三个创新点；对所提出方法的数学原理进行说明，验证其在预测时序数据方面的可行性，以及在提升预测精度上原理；重新设置了实验部分，并对每个实验的具体实施做了规划，接下来将调整适合的指标数据进行实验，水质数据的复杂性更高，实验部分现阶段主要是仍需要继续调整模型，以达到预期效果。