Multi-step forecasting of dissolved oxygen in River Ganga based on CEEMDAN-AdaBoost-BiLSTM-LSTM model

阿达布思 人工智能 计算机科学 模式识别(心理学) 支持向量机
作者
Neha Pant,Durga Toshniwal,Bhola R. Gurjar
出处
期刊:Scientific Reports [Nature Portfolio]
卷期号:14 (1) 被引量:3
标识
DOI:10.1038/s41598-024-61910-w
摘要

Abstract Accurate prediction of Dissolved Oxygen (DO) is an integral part of water resource management. This study proposes a novel approach combining Complete Ensemble Empirical Mode Decomposition with Adaptive Noise (CEEMDAN) with AdaBoost and deep learning for multi-step forecasting of DO. CEEMDAN generates Intrinsic Mode Functions (IMFs) with different frequencies, capturing non-linear and non-stationary characteristics of the data. The high-frequency and medium-frequency IMFs, characterized by complex patterns and frequent changes over time, are predicted using Adaboost with Bidirectional Long Short-Term Memory (BiLSTM) as the base estimator. The low-frequency IMFs, characterized by relatively simple patterns, are predicted using standalone Long Short-Term Memory (LSTM). The proposed CEEMDAN-AdaBoost-BiLSTM-LSTM model is tested on data from ten stations of river Ganga. We compare the results with six models without decomposition and four models utilizing decomposition. Experimental results show that using a tailored prediction technique based on each IMF’s distinctive features leads to more accurate forecasts. CEEMDAN-AdaBoost-BiLSTM-LSTM outperforms CEEMDAN-BiLSTM with an average improvement of 25.458% for RMSE and 37.390% for MAE. Compared with CEEMDAN-AdaBoost-BiLSTM, an average improvement of 20.779% for RMSE and 28.921% for MAE is observed. Diebold-Mariano test and t-test suggest a statistically significant difference in performance between the proposed and compared models.

科研通智能强力驱动
Strongly Powered by AbleSci AI
科研通是完全免费的文献互助平台,具备全网最快的应助速度,最高的求助完成率。 对每一个文献求助,科研通都将尽心尽力,给求助人一个满意的交代。
实时播报
和谐翠曼完成签到,获得积分10
2秒前
小g完成签到 ,获得积分10
5秒前
csz完成签到,获得积分10
6秒前
子车雁开完成签到,获得积分10
6秒前
害羞雪珊完成签到,获得积分10
7秒前
来都来了完成签到 ,获得积分10
9秒前
huangsiting完成签到 ,获得积分10
11秒前
所所的应助被qiuy采纳,获得10
11秒前
Hiiaa完成签到,获得积分10
12秒前
做文章要专心完成签到 ,获得积分10
13秒前
菲菲完成签到 ,获得积分10
13秒前
14秒前
15秒前
gengfu完成签到,获得积分10
16秒前
17秒前
hamburger完成签到 ,获得积分10
18秒前
熊猫完成签到 ,获得积分10
19秒前
gl6542发布了新的文献求助10
21秒前
在路上完成签到 ,获得积分10
22秒前
aligu9完成签到,获得积分10
24秒前
开心的人杰完成签到,获得积分0
25秒前
大胆的微笑完成签到 ,获得积分10
25秒前
桃花源的瓶起子完成签到 ,获得积分10
25秒前
暖暖的禾日完成签到 ,获得积分10
26秒前
热心的梦柏完成签到 ,获得积分10
27秒前
28秒前
幽默的迎天完成签到,获得积分10
29秒前
驽马十驾完成签到,获得积分10
30秒前
希希完成签到 ,获得积分10
33秒前
雨恋凡尘完成签到,获得积分0
34秒前
尼可深蓝完成签到 ,获得积分10
34秒前
林黛玉完成签到 ,获得积分10
36秒前
7777777完成签到,获得积分10
37秒前
三脸茫然完成签到 ,获得积分0
37秒前
搬砖的化学男完成签到 ,获得积分0
38秒前
39秒前
陨落的繁星完成签到,获得积分10
42秒前
野火不吃折耳根完成签到,获得积分10
43秒前
她说肚子是吃大的i完成签到,获得积分10
43秒前
LSQ47完成签到,获得积分10
43秒前
高分求助中
(应助此贴封号)【重要!!请各用户(尤其是新用户)详细阅读】【科研通的精品贴汇总】 10000
拉伸高分子熔体中缠结行为的模拟和小角中子散射研究 1700
The World Atlas of Wine 9th edition 1000
奈特基础组织学:配套组织病理学(第4版)(Netter's Essential Histology With Correlated Histopathology) 800
John McDowells Bildungstheorie 800
Social Psychology in the Real World 600
八旗制度の研究 600
热门求助领域 (近24小时)
化学 材料科学 医学 生物 纳米技术 计算机科学 工程类 有机化学 化学工程 生物化学 物理 复合材料 内科学 催化作用 光电子学 人工智能 细胞生物学 无机化学 物理化学 数学
热门帖子
关注 科研通微信公众号,转发送积分 8180097
求助须知:如何正确求助?哪些是违规求助? 9570230
关于积分的说明 21808841
捐赠科研通 7776113
什么是DOI,文献DOI怎么找? 3433261
关于科研通互助平台的介绍 2557463
邀请新用户注册赠送积分活动 2479013