本软件基于微信小程序，机器学习模块基于PC端服务器上云算法，在预测方面，该水质预测属于时序预测，由于传统预测方法不适合进行时序预测，我们采用基于长短期记忆网络(LSTM)的水质预测方法。神经网络方法是一种深度学习方法，它具有的非线性、自组织学习等优点很契合水质预测的问题。长短期记忆网络本身结构的特点，使其具有“记忆性”，这让它处理水质预测问题的准确度比其他方法更高

针对传统水质预测方法中水质因子的多重相关性造成预测精度低的问题,提出了一种将偏最小二乘法和支持向量机相耦合的水质预测方法。利用偏最小二乘法提取对水质因子影响强的成分,从而克服了信息冗余问题,并降低了支持向量的维数。利用支持向量机建模可以较好地解决高维非线性小样本问题。同时利用改进的PSO算法优化SVM参数,减小参数搜索的盲目性。研究结果表明,本耦合模型的预测精度和运行效率明显优于常用的BP人工神经网络和传统的支持向量机,可以更好地应用于水质预测。

针对水质预测问题，以地表水水质监测因子作为研究对象，提出了一种基于长短期记忆（LSTM）神经网络的水质多因子预测模型，同时利用提出的K-Similarity降噪法对模型的输入数据进行降噪，提高模型预测性能.通过与BP神经网络、RNN和传统的LSTM神经网络预测模型进行对比实验，证明了所提出的方法均方误差最小，预测结果更准确.

将BP、RNN、SVM等机器学习算法应用于水质预测，预测出PH、溶解氧和氨氮等水质指标数值，精准度在90%以上。算法层面不过多阐述，主要是上述几种机器学习算法的集成。由于要写论文和申专利，这里只应用了SVM算法，精度也接近90%。本系统采用Django实现。

水质预测系统 概述 将BP、RNN、SVM等机器学习算法应用于水质预测，预测出PH、溶解氧和氨氮等水质指标数值，精准度在90%以上。算法层面不过多阐述，主要是上述几种机器学习算法的集成。由于要写论文和申专利，这里只应用了SVM算法，精度也接近90%。本系统采用Django实现。 系统功能 利用前三个月的水质数据，进行下月的水质预测 自动生成可交互式的预测图表用于展示 管理员能手动更新预测模型并管理水质数据 系统效果 主页 管理员界面 模型训练界面 预测界面 运行方式 将仓库克隆到本地 git clone https://github.com/sctpan/WaterQualityPredictSystem.git 进入manage.py同级目录，安装依赖 pip install -r requirements.txt 移植数据库 python manage.py migrate 运行程序

水质预测数学代码stMTMVL 基于时空数据集的城市水质预测多任务多视图学习 这是使用Matlab的stMTMVL的简单实现，已在Win 10上进行了测试。 要求 stMTMVL使用以下依赖项： [Matlab]及其依赖项 Windows 8和最新版本 纸 刘烨，于征，梁玉轩，刘树明和David S.Rosenblum。 “”，IJCAI 2016。 如果您发现我们的代码和数据集对您的研究有用，请引用我们的论文： @inproceedings{liu2016urban, title={Urban water quality prediction based on multi-task multi-view learning}, author={Liu, Ye and Zheng, Yu and Liang, Yuxuan and Liu, Shuming and Rosenblum, David S}, booktitle={Proceedings of the Twenty-Fifth International Joint Conference on Artificial Inte

稀疏自动编码器和LSTM网络相结合的水质预测模型

基于PSO优化BP神经网络的水质预测研究，高峰，冯民权，为快速准确预测河流水质，本文结合汾河实际监测数据，使用粒子群算法优化BP神经网络模型(PSO-BP)进行水质预测研究。通过灰色关联度�

基于深度学习的水质预测模型研究.pdf

水是人类和其它生命体所依赖的不可缺少的资源, 建立水质预测模型预测水质状况具有重要的社会经济和生态环保价值. 本文建立了基于小波分解的长短期记忆网络(LSTM)时间序列预测模型(W-LSTM), 运用Daubechies5 (db5)小波将水质数据分解为高频率和低频率信号, 再将这些信号作为LSTM模型的输入, 来训练模型预测水质数据. 利用安徽阜南王家坝流域采集到的4项水质指标(pH值、DO、CODMn、NH3N)对该模型进行训练、验证和测试, 并与传统LSTM神经网络模型的训练和预测结果进行比较. 结果显示所提出的方法在多种评价指标上均优于传统LSTM模型, 表明了该方法具有较高的预测精度和泛化能力, 是一种更有效的模拟预测手段.