淮河流域水质预测的人工智能模型研究：基于LSTM-多头注意力机制的创新方法
作者及发表信息
本研究由Jing Chen（安徽理工大学电气与信息工程学院；利物浦大学电气工程与电子学系）、Haiyang Li（安徽理工大学电气与信息工程学院）、Manirankunda Felix（安徽理工大学）、Yudi Chen（曼彻斯特大学科学与工程学院）、Keqiang Zheng（安徽理工大学）合作完成，发表于2024年1月的《Environmental Science and Pollution Research》（卷31，页14610–14640）。研究得到中国国家自然科学基金（51874010）和安徽省教育厅自然科学项目（KJ2018A0087）的支持。
学术背景
科学领域与问题
研究聚焦于环境科学与人工智能交叉领域，针对河流水质预测的挑战：水质数据具有时序性、非线性、多指标耦合及数据缺失/异常等问题。传统模型（如物理模拟、时间序列分析）在非线性处理和并行计算上存在局限，而现有机器学习模型（如LSTM）未充分整合时序与特征提取能力。
研究动机
中国淮河流域（HRB）作为重要饮用水源地，面临水资源分布不均与工业化污染的双重压力。2022年数据显示，中国人均水资源仅为世界平均的1/4，且淮河流域水质受农业、工业排放影响显著。因此，开发高精度水质预测模型对水资源智能管理至关重要。
目标
提出一种融合线性插值（Linear Interpolation, LI）、灰色关联分析（Gray Relational Analysis, GRA）和LSTM-多头注意力（LSTM-Multihead Attention, LMA）的混合模型（GRA-LMA），以解决数据修复、特征筛选及并行计算问题，提升多指标预测精度。
研究流程与方法
1. 数据预处理
- 研究对象：淮河流域王家坝站点2021年1月至2022年3月的水质数据，包括pH、溶解氧（DO）、化学需氧量（COD）、氨氮（NH3-N）等9项指标。
- 缺失数据处理：采用线性插值修复缺失值（缺失率12.65%~12.79%），保留数据时序趋势。
- 异常值处理：结合箱线图与直方图识别异常数据（如NH3-N异常率7.31%），剔除后再次线性插值修复。
- 数据标准化：归一化至[0,1]区间以统一量纲。
2. 特征筛选
- 灰色关联分析（GRA）：计算各指标间非线性相关性，保留关联度>0.7的指标作为模型输入。例如，NH3-N与COD、TP高度相关，而温度（Temp）作为间接影响因素被排除。
3. 模型构建（GRA-LMA）
- LSTM层：处理时序数据，通过遗忘门、输入门和输出门控制信息流，避免梯度消失。
- 多头注意力层（Multihead Attention）：并行计算各时间步权重，提取关键特征。将LSTM隐藏层输出作为Query/Key/Value矩阵，通过缩放点积注意力机制加权融合。
- 全连接层：非线性映射输出预测结果。
- 滑动窗口：窗口大小优化为12~18，构建时间序列输入（如NH3-N窗口=12）。
4. 模型训练与验证
- 数据集划分：2021年1月–2022年1月为训练集，2022年2–3月为测试集。
- 参数优化：通过网格搜索确定隐藏层神经元数（20~55）、批次大小（1~6组）、学习率（0.0001）等。
- 对照模型：对比BP神经网络、RNN、LSTM、GRU及未整合GRA的LMA模型。
主要结果
数据修复效果
- 线性插值修复后，数据趋势与原始分布一致（图10），异常值处理使数据离散度降低（如COD标准差从0.99降至0.46）。
模型预测性能
- 误差指标：GRA-LMA的均方误差（RMSE）显著低于对照模型，如pH（0.05890）、DO（0.40196）、NH3-N（0.04368）。
- 拟合优度：R²普遍优于0.85，其中pH预测R²达0.98497（表7）。
- 消融实验：多头注意力机制使LMA的NH3-N预测RMSE比LSTM降低19.9%；GRA进一步将误差降低8.0%（表10）。
对比实验
- GRA-LMA在泰勒图（图15）和散点图（图14）中均最接近观测值，且Kruskal-Wallis检验显示其预测结果与真实值无显著差异（p>0.05，表9）。
结论与价值
科学价值
1. 方法创新：首次将多头注意力机制与LSTM结合用于水质预测，解决了传统模型无法并行处理时序特征的瓶颈。
2. 数据修复：提出基于线性插值的缺失/异常数据修复框架，优于均值、中位数及KNN方法（图18）。
应用价值
- 为淮河流域水质管理提供高精度预测工具，支持污染物早期预警。例如，NH3-N预测误差较现有模型降低35%，有助于精准控制农业面源污染。
- 模型可扩展至其他流域，仅需调整滑动窗口和GRA阈值。
研究亮点
- 多技术融合：整合GRA特征筛选、LSTM时序处理、多头注意力并行计算，提升模型鲁棒性。
- 全流程验证：从数据修复、特征工程到模型优化，系统性验证各环节对预测精度的影响。
- 实际数据集：基于真实监测数据（2736组样本），结论更具实践指导意义。
局限与展望
当前模型参数需手动优化，未来可引入元学习算法自动化调参；研究仅针对单一站点，需在流域多站点验证泛化能力。
（注：文中图表编号引用自原文献，部分细节因篇幅限制略有简化。）