水质预测是水资源管理和水污染防治的基础性、前提性工作，但黄河流域水质预测研究相对滞后。 为了改善LSTM 水质预测模型的性能、提高其泛化能力，根据水质变化具有周期性和非线性的特征，以黄河小浪底水库溶解氧含量为研究对象，构建了一种卷积神经网络CNN 和长短时记忆网络LSTM 结合的CNN－LSTM 预测模型，经试验验证，该模型可以高效地提取水质特征信息并进行时间序列预测，预测误差比LSTM 模型的更低，其预测值的平均绝对误差和均方根误差分别比LSTM 模型的低19.72%和10.44%，对较大值和较小值的预测更为准确，且具有较好的泛化性能。

文章来源：《黄河之声》 网址: http://www.hhzszz.cn/qikandaodu/2021/0518/1169.html