प्रौद्योगिकी साझेदारी

한어Русский языкEnglishFrançaisIndonesianSanskrit日本語DeutschPortuguêsΕλληνικάespañolItalianoSuomalainenLatina

सप्ताह47 सीएफ-एलटी

संक्षेपः

अस्मिन् सप्ताहे अहं पृष्ठीयजलस्य कुलफास्फोरससान्द्रतायाः पूर्वानुमानार्थं Interpretable CEEMDAN-FE-LSTM-transformer hybrid model इति शीर्षकेण एकं पत्रं पठितवान्। अस्मिन् पत्रे टीपी पूर्वानुमानार्थं संकरप्रतिरूपं प्रस्तावितं भवति । अस्मिन् पत्रे टीपी पूर्वानुमानार्थं संकरप्रतिरूपं प्रस्तावितं भवति, यत् CF-LT प्रतिरूपम् अस्ति । मॉडल् अभिनवरूपेण अनुकूली शोरप्रक्रिया, फजी एन्ट्रोपी विश्लेषण, दीर्घकालीन अल्पकालिकस्मृतिजाल (LSTM) तथा ट्रांसफार्मर प्रौद्योगिक्या सह पूर्णतया एकीकृतं अनुभवजन्यविधविघटनं (EMD) संयोजयति आँकडा आवृत्तिविभागपुनर्निर्माणप्रौद्योगिक्याः परिचयं कृत्वा, एतत् प्रतिरूपं प्रभावीरूपेण अति-फिटिंग् तथा अण्डर-फिटिंग समस्यानां समाधानं करोति यत् पारम्परिकयन्त्रशिक्षणप्रतिमानानाम् उच्च-आयामी-आँकडानां सह व्यवहारं कृत्वा भवितुं प्रवृत्ता भवति तस्मिन् एव काले ध्यानतन्त्रस्य प्रयोगः CF-LT प्रतिरूपं अन्येषां प्रतिमानानाम् सीमां दूरीकर्तुं समर्थयति यत् दीर्घकालीनपूर्वसूचनाः कुर्वन् आँकडानां मध्ये दीर्घकालीननिर्भरतां स्थापयितुं कठिनं भवति भविष्यवाणीपरिणामाः दर्शयन्ति यत् CF-LT मॉडलः परीक्षणदत्तांशसमूहे 0.37 तः 0.87 पर्यन्तं निर्धारणगुणकं (R2) प्राप्तवान्, यत् नियन्त्रणस्य तुलने 0.05 तः 0.17 (अर्थात् 6% तः 85%) यावत् महत्त्वपूर्णं सुधारः आसीत् प्रतिकृति। तदतिरिक्तं CF-LT मॉडल् अपि उत्तमं शिखरपूर्वसूचनाप्रदर्शनं दर्शितवान् ।

मूर्त

अस्मिन् सप्ताहे साप्ताहिकपत्रिका पृष्ठीयजलस्य कुलफास्फोरससान्द्रतायाः पूर्वानुमानार्थं Interpretable CEEMDAN-FE-LSTM-transformer hybrid model इति शीर्षकेण पत्रस्य डिकोडं करोति। अस्मिन् पत्रे विशेषतया TP पूर्वानुमानार्थं संकरप्रतिरूपं CF-LT इति परिचयः कृतः अस्ति । मॉडल् अभिनवरूपेण अनुकूली शोरसंसाधनं, फजी एन्ट्रोपी विश्लेषणं, दीर्घकालीन-अल्पकालिक-स्मृति (LSTM) संजालं, तथा च ट्रांसफार्मर-प्रौद्योगिक्या सह सम्पूर्ण-समूह-अनुभवात्मक-मोड-विघटनं (EMD) एकीकृतं करोति आँकडा आवृत्तिविभागं पुनर्निर्माणं च परिचययित्वा, CF-LT प्रभावीरूपेण अतिफिटिंग् तथा अण्डरफिटिङ्ग् इत्येतयोः विषयान् सम्बोधयति यत् पारम्परिकयन्त्रशिक्षणप्रतिमानाः प्रायः उच्च-आयामी-आँकडानां सह व्यवहारं कुर्वन्तः सम्मुखीभवन्ति तदतिरिक्तं, ध्यानतन्त्रस्य अनुप्रयोगेन CF-LT दीर्घकालीनपूर्वसूचनानां समये आँकडाबिन्दून् मध्ये दीर्घकालीननिर्भरतां स्थापयितुं अन्येषां प्रतिमानानाम् सीमां दूरीकर्तुं समर्थं भवति। भविष्यवाणीपरिणामाः दर्शयन्ति यत् CF-LT परीक्षणदत्तांशसमूहेषु 0.37 तः 0.87 पर्यन्तं निर्णयगुणकं (R2) प्राप्नोति, यत् नियन्त्रणप्रतिमानानाम् तुलने 0.05 तः 0.17 (अथवा 6% तः 85%) पर्यन्तं महत्त्वपूर्णं सुधारं प्रतिनिधियति अपि च, CF-LT उत्तमं शिखरपूर्वसूचनाप्रदर्शनं प्रदाति ।

1. प्रश्नः

标题:पृष्ठीयजलस्य कुलफास्फोरससान्द्रतायाः भविष्यवाणीं कर्तुं व्याख्यायोग्यः CEEMDAN-FE-LSTM-ट्रांसफॉर्मरसंकरप्रतिरूपः

लेखकः जीफू याओ, शुआइ चेन, जिओहोंग रुआन

मोचनम्‌:जलविज्ञान के जर्नल खण्डः ६२९, फरवरी २०२४, १३०६०९

链接:https://www.sciencedirect.com/science/article/pii/S0022169424000039?via%3Dihub

2. अमूर्तम्

अस्मिन् पत्रे टीपी पूर्वानुमानार्थं संकरप्रतिरूपं प्रस्तावितं भवति । इदं मॉडलं (CF-LT) अनुकूली शोर, फजी एन्ट्रोपी, दीर्घकालीन अल्पकालिकस्मृतिः, ट्रांसफार्मर च सह पूर्णतया एकीकृतं अनुभवजन्यविधविघटनं (EMD) संयोजयतिदत्तांश आवृत्तिविभाग पुनर्निर्माणइत्यस्य परिचयः प्रभावीरूपेण अति-फिटिंग् तथा अण्डर-फिटिंग् समस्यानां समाधानं करोति यत् पूर्वयन्त्रशिक्षणप्रतिमानानाम् उच्च-आयामी-दत्तांशस्य सम्मुखीभवति स्मध्यानतन्त्रम् एतेन एते प्रतिमानाः दत्तांशयोः मध्ये दीर्घकालीननिर्भरतां स्थापयितुं दीर्घकालीनपूर्वसूचनाः कर्तुं न शक्नुवन्ति इति समस्यां अतिक्रान्तं भवति । भविष्यवाणीपरिणामाः दर्शयन्ति यत् CF-LT मॉडलः परीक्षणदत्तांशसमूहे 0.37-0.87 इत्यस्य निर्धारणगुणकं (R2) प्राप्नोति, यत् नियन्त्रणप्रतिरूपात् 0.05-0.17 (6%-85%) अधिकं भवति अपि च, CF-LT मॉडलेन सर्वोत्तमः शिखरपूर्वसूचना प्रदत्ता ।

3. जालसंरचना

3.1 CEEMDAN (पूर्णतया अनुकूली शोरसमूह अनुभवजन्य मोड अपघटन) 1.1.

उन्नतसमयश्रृङ्खलाविश्लेषणपद्धत्या CEEMDAN अनुभवजन्यमोडविघटन (EMD) प्रक्रियायां अनुकूलशब्दं योजयित्वा पारम्परिक EMD मध्ये विद्यमानं मोड एलियासिंग समस्यां प्रभावीरूपेण न्यूनीकरोति इदं मूलसंकेतं आन्तरिकविधाकार्यस्य (IMFs) श्रृङ्खलायां विघटयितुं शक्नोति, प्रत्येकं IMF संकेतस्य भिन्नसमयपरिमाणस्य लक्षणं प्रतिनिधियति, तस्मात् जटिलसंकेतानां विश्लेषणं अधिकं सहजं सटीकं च भवति अस्मिन् अध्ययने ताई-सरोवरस्य त्रयाणां निगरानीयस्थानकानां दैनिकजलगुणवत्तादत्तांशं संसाधितुं CEEMDAN-इत्यस्य उपयोगः कृतः, कुल-फास्फोरस-सान्द्रतां अन्यजलगुणवत्ता-मापदण्डान् यथा जल-तापमानं, पीएच्, विलीन-आक्सीजनम् इत्यादीन् भिन्न-भिन्न-आवृत्ति-पट्टिकासु संकेतेषु पृथक् कृत्वा

एल्गोरिदम S1: अनुकूली शोर (CEEMDAN) सहित सम्पूर्ण समूह अनुभवजन्य मोड अपघटन

1. संचालकं परिभाषयन्तु ${ई}_{के}(\sim )$, अयं संचालकः EMD एल्गोरिदम् जनयति क्थ् प्रतिकृति।${वि}_{त}^{अहम्‌}$गाउसीय श्वेतकोलाहलं प्रति सेट्, .$ϵ$श्वेतकोलाहलगुणकं भवति, .$अहम्‌$ श्वेतकोलाहलं योजयितुं अनुक्रमणिका। EMD इत्यस्य उपयोगः दत्तांशस्य विघटनार्थं भवति, तथा च समीकरणस्य (S1) अनुसारं मूलसंकेते y(t) मध्ये गाउसीयश्वेतशब्दं योजयित्वा प्रथमः आन्तरिकविधाकार्यः (IMF) घटकः ($\overline{अहम्‌MF1}$ ). प्रथमः मोडः समीकरणस्य (S2) उपयोगेन गण्यते ।

$${य्}^{अहम्‌}(त)=य्(त)+{ϵ}_0{वि}^{अहम्‌}(त)अहम्‌=1,2,\dots ,न\text{\hspace{1em}(स१)}$$

$${\text{IMF1}}_{अहम्‌}={ई}_0({य्}^{अहम्‌}(त))+{र}_1^{अहम्‌}\overline{\text{IMF1}}=\frac{1}{न}{\text{IMF1}}_{अहम्‌}\text{\hspace{1em}(S2)}$$

2. समीकरणस्य (S3) उपयोगेन प्रथमसंकेतविघटनस्य अवशेषाणां गणनां कुर्वन्तु । समीकरणस्य (S4) अनुसारं नूतनं श्वेतशब्दं योजयित्वा द्वितीयस्य IMF घटकस्य (S4) गणनां कुर्वन्तु ।

$${र}_1={य्}^{अहम्‌}(त)-\overline{\text{IMF1}}\text{\hspace{1em}(स३)}$$

$$\overline{\text{IMF2}}=\frac{1}{न}\sum _{अहम्‌=1}^{न}{ई}_1({र}_1+{ϵ}_1{ई}_1({वि}^{अहम्‌}(त)))\text{\hspace{1em}(स४)}$$

3. अवशिष्टं r_k एकस्वरकार्यं न भवति तावत् 1 तथा 2 चरणान् पुनः कुर्वन्तु । अन्ते K−1th IMF श्रृङ्खलां प्राप्तुं EMD प्रयोजयन्तु, या मूलश्रृङ्खलारचना अस्ति, यथा:

$$य्(त)=\sum _{ल=1}^{के-1}\overline{\text{IMF1}}+{र}_{के}\text{\hspace{1em}(स५)}$$

३.२ CF-LT मॉडल संरचना

CEEMDAN-FE भागस्य कृते वयं प्रथमं मूलदत्तांशसमूहं प्रशिक्षणपरीक्षणदत्तांशसमूहेषु विभजामः, ततः द्वयोः आँकडासंग्रहयोः प्रत्येकं विशेषतां बहुषु आन्तरिकमोडकार्येषु (IMFs) विघटयितुं CEEMDAN प्रयोजयामः प्रत्येकस्य IMF इत्यस्य FE मूल्यानां निकटतायाः अनुसारं तेषां पुनर्निर्माणं उच्चावृत्तिः (IMFH), मध्यवर्ती आवृत्तिः (IMFM), निम्न आवृत्तिः (IMFL) तथा प्रवृत्तिपदं (IMFT) घटकेषु भवति, ये IMF इत्यस्य भिन्नपक्षं प्रतिबिम्बयन्ति .

LSTM-Transformer भागस्य कृते एन्कोडर तथा डिकोडर मध्ये LSTM इत्यस्य गुप्तस्तरस्य स्थाने Transformer position encoding इत्यनेन निवेशदत्तांशयोः मध्ये अस्थायी निर्भरतां स्थापयितुं भवति विशिष्टगणनाप्रक्रिया निम्नलिखितरूपेण भवति (चित्रम् २ क) ।

1. मॉडल् इनपुट् द्वौ फीचर इनपुट् युक्तौ भवतः । अस्मिन् अध्ययने एन्कोडर-स्तरस्य जलतापमानं (WT), pH (PH), विघटित-आक्सीजन (DO), रासायनिक-आक्सीजन-माङ्गं (COD), विद्युत्-चालकता (EC), धुंधलाता (TU), अमोनिया नाइट्रोजन (NH3-N) च सन्ति । , तथा प्रथमपूर्वसूचनासमयबिन्दुतः ७ दिवसपूर्वं प्राप्तकालश्रृङ्खलारूपेण कुलनाइट्रोजन (TN)दत्तांशः । डिकोडरस्तरस्य प्रथमपूर्वसूचनासमयबिन्दुतः पूर्वं ७ दिवसानां कृते टीपी समयश्रृङ्खला भवति ।
2. LSTM तथा रेखीयस्तरयोः माध्यमेन गत्वा द्वयोः विशेषतादत्तांशसमूहयोः क्रमशः एन्कोडरस्तरस्य डिकोडरस्तरस्य च मध्ये फीड् भवति ।
3. द्वौ उपस्तरौ एन्कोडरस्तरं निर्मान्ति । बहु-शिरः ध्यानस्तरः निवेशविशेषतानां ध्यानमात्रिकायाः ​​गणनां करोति, ततः फीड्-फोरवर्डस्तरः दत्तांशपरिमाणं परिवर्तयति । अन्ते दत्तांशः अग्रिमे एन्कोडर् अथवा डिकोडर लेयर इत्यत्र प्रविष्टः भवति ।
4. त्रयः उपस्तराः डिकोडरस्तरं निर्मान्ति । मास्ककृतबहुशिरः ध्यानस्तरः निवेशविशेषतानां ध्यानमात्रिकायाः ​​गणनां कृत्वा बहुशिरः ध्यानस्तरः एन्कोडरस्तरस्य निर्गमस्य आधारेण ध्यानसम्बद्धतां स्थापयति फीड्फोरवर्ड लेयर इत्यनेन अन्तिम मॉडल् आउटपुट् प्राप्तुं अग्रिम डिकोडर लेयर अथवा रेखीय लेयर इत्यस्मै पारयति ।

३.३ शप्

SHAP इति कस्यापि ML मॉडलस्य आउटपुट् व्याख्यातुं क्रीडासिद्धान्तपद्धतिः अस्ति ।मॉडल-निर्गमस्य उपरि निवेश-विशेषतानां प्रभावं निर्धारयितुं निवेश-विशेषताः$z=[z1,...,zपृ]$प्रशिक्षितगहनशिक्षणप्रतिरूपेण सह सम्बद्धम् F.
$$च=च(z)={\varphi }_0+\sum _{अहम्‌=1}^{म}{\varphi }_{अहम्‌}{z}_{अहम्‌}\text{\hspace{1em}(12)}$$
${\phi }_{अहम्‌}\in आर$प्रत्येकस्य विशेषतायाः प्रतिरूपे योगदानं सूचयति, यत् निम्नलिखितसूत्रेण दत्तम् अस्ति ।
$${\varphi }_{अहम्‌}(च,x)=\sum _{z\le x}\frac{|z|!(म-|z|-1)!}{म!}[च(z)-च(z/अहम्‌)]\text{\hspace{1em}(13)}$$

4. साहित्यव्याख्या

४.१ परिचयः

अध्ययनेन कुलफॉस्फोरससान्द्रतायाः पूर्वानुमानार्थं नूतनं प्रतिरूपं प्रस्तावितं भवति । मॉडल् CEEM DAN, FE, LSTM तथा Transformer प्रौद्योगिकीनां संयोजनं करोति तथा च मॉडल् आउटपुट् इत्यस्य व्याख्यानार्थं SHAP इत्यस्य उपयोगं करोति । अस्य अध्ययनस्य मुख्य उद्देश्यं ताई-सरोवरस्य प्रवेशद्वारे टीपी-सान्द्रतायाः पूर्वानुमानं कर्तुं प्रस्तावितस्य CEEMDAN-FE-LSTM-Transformer (CF-LT) मॉडलस्य कार्यप्रदर्शनस्य मूल्याङ्कनं कर्तुं तथा च CF-LT इत्यस्य उत्पादनस्य व्याख्यां कर्तुं SHAP इत्यस्य प्रयोगः अस्ति प्रतिकृति। एतेन क्षेत्रे टीपी-सान्द्रतां प्रभावितं कुर्वन्तः प्रमुखाः कारकाः तेषां प्रतिक्रियातन्त्राणि च प्रकाशितानि भवेयुः ।

उच्च-आयामी-दत्तांश-विघटनेन बहूनां मोडल-घटकानाम् उत्पत्तिः भवितुम् अर्हति । एतस्याः समस्यायाः समाधानार्थं समयजटिलतायाः गणनायाः कुशलपद्धतिः Fuzzy Entropy (FE) CEEMDAN इत्यनेन सह संयोजितुं शक्यते । एतत् संयोजनं प्रभावीरूपेण CEEMDAN विघटितानां उपसंकेतानां पुनर्निर्माणं करोति, तस्मात् उप-आवृत्ति-प्रतिमानानाम् संख्या न्यूनीभवति ।

LSTMTransformer मॉडल् निवेशदत्तांशस्य समयश्रृङ्खलालक्षणं संरक्षित्वा असमीपस्थसमयबिन्दुयोः मध्ये सम्बन्धान् गृहीतुं शक्नुवन्ति ।

प्रशिक्षणकाले विशिष्टसन्दर्भे द्वयोः स्थानयोः सहसम्बन्धानां पहिचानाय ट्रांसफॉर्मर मॉडल् ध्यानतन्त्रस्य उपयोगं कुर्वन्ति । एतेन प्रासंगिकदत्तांशस्य कुशलं अधिग्रहणं सम्भवति तथा च सूचनायाः अतिरेकं न्यूनीकरोति ।

४.२ नवीनताबिन्दवः

अस्य लेखस्य मुख्यं योगदानं चतुर्षु पक्षेषु अस्ति- १.

1. प्रस्तावितं प्रतिरूपं गहनशिक्षणविधिभिः सह मोडलविश्लेषणं संयोजयति, समयजटिलतायां मोडलविघटनस्य प्रभावं न्यूनीकर्तुं फजी एन्ट्रोपी इत्यस्य उपयोगं करोति, तथा च दत्तांशेषु दीर्घकालीन-अल्पकालिक-निर्भरतायाः निर्माणार्थं LSTM-इत्यस्य ट्रांसफॉर्मर-सहितं संयोजयति
2. कुलफॉस्फोरस TP इत्यस्य पूर्वानुमानार्थं LSTM तथा Transformer इत्यस्य उपयोगेन संकरप्रतिरूपस्य उपयोगः भविष्यति, यत् पूर्वाध्ययनेषु न कृतम् अस्ति ।
3. भविष्यवाणीपरिणामाः दर्शयन्ति यत् CF-LT मॉडलः परीक्षणदत्तांशसमूहे 0.37-0.87 इत्यस्य निर्धारणगुणकं (R2) प्राप्नोति, यत् नियन्त्रणप्रतिरूपात् 0.05-0.17 (6%-85%) अधिकं भवति अपि च, CF-LT मॉडलेन सर्वोत्तमः शिखरपूर्वसूचना प्रदत्ता ।

४.३ प्रयोगप्रक्रिया

data set : ताइहु-सरोवर-बेसिन् याङ्गत्से-नद्याः निम्नभागे स्थितम् अस्ति, यस्य क्षेत्रफलं ३६,९०० वर्गकिलोमीटर् अस्ति, यत्र सघननदीजालं, अनेकाः सरोवराणि च सन्ति ताइहु-सरोवरं विशिष्टं उथलं सरोवरम् अस्ति । अस्मिन् बेसिने आर्द्र उत्तर उपोष्णकटिबंधीयजलवायुस्य लक्षणं भवति, यत्र औसतवार्षिकतापमानं १५-१७ डिग्री सेल्सियस भवति, औसतवार्षिकवृष्टिः ११८१ मि.मी. अस्मिन् अध्ययने याओक्सियाङ्गकियाओ स्टेशन, ज़िहुगाङ्ग स्टेशन, गुआन्दुकियाओ स्टेशन (चित्र S2) इत्येतयोः जलस्य गुणवत्तानिरीक्षणस्य आँकडानां उपयोगः कृतः । एते निगरानीयस्थानकानि ताइहुकोउ इत्यत्र स्थितानि सन्ति, यत् राष्ट्रियप्रमुखजलगुणवत्तामूल्यांकनविभागः अस्ति । एतत् आँकडा जियाङ्गसु प्रान्तीयपर्यावरणनिरीक्षणकेन्द्रात् आगच्छति।

मूल्याङ्कनमापदण्डः : मॉडलस्य कार्यप्रदर्शनमूल्यांकने अनेकाः प्रमुखसूचकाः उपयुज्यन्ते: निर्धारणस्य गुणांकः (R2), औसतवर्गदोषः (MSE), तथा च औसतनिरपेक्षप्रतिशतदोषः (MAPE) R2 मॉडलस्य पूर्वानुमानितमूल्यं वास्तविकमूल्यं च मापयति यत् मॉडलस्य प्रबलं भविष्यवाणीक्षमता अस्ति MSE मूल्यं यथा लघु भवति तथा भविष्यवाणीदोषः लघुः भवति MAPE प्रतिशतदृष्ट्या भविष्यवाणीदोषस्य आकारं प्रतिबिम्बयति ।

कार्यान्वयनविवरणम् : प्रयोगप्रक्रियायां आँकडापूर्वसंसाधनं, आदर्शप्रशिक्षणं, परीक्षणं च अन्तर्भवति । विभिन्नदत्तांशसमूहेषु पूर्वानुमानसमयविण्डोषु च प्रस्तावितस्य प्रतिरूपस्य कार्यप्रदर्शनस्य मूल्याङ्कनार्थं सम्पूर्णा प्रयोगप्रक्रिया स्थापिता भवति । प्रथमं, आँकडानां पूर्वसंसाधितं CEEMDAN-FE पद्धत्या भवति, यत् अनुकूलशब्देन सह पूर्णतया एकीकृतं अनुभवजन्यविधविघटनं योजयित्वा सूचनाहस्तक्षेपं दूरीकरोति, बहु-परिमाणसूचनाः निष्कासयति, उपसंकेतानां संख्यां न्यूनीकर्तुं च अस्पष्ट-एन्ट्रोपी-उपयोगं करोति तदनन्तरं संसाधितदत्तांशं ७५%, २५% च अनुपातेन प्रशिक्षणसमूहः परीक्षणसमूहः च इति विभक्तः भवति । प्रशिक्षणचरणस्य पूर्वसंसाधितं प्रशिक्षणदत्तांशसमूहं LSTM-Transformer मॉडल् मध्ये इनपुट् भवति । मॉडलभारं अद्यतनीकर्तुं बैकप्रोपैगेशनस्य एडम् अनुकूलकस्य च उपयोगं कुर्वन्तु, तथा च विभिन्नानां भविष्यवाणीसमयविण्डोषु (7 दिवसाः, 5 दिवसाः, 3 दिवसाः, 1 दिवसः) इष्टतमस्य अन्तर्गतं मॉडलस्य प्रदर्शनं सुनिश्चित्य LSTMTransformer मॉड्यूलस्य सर्वोत्तमानि हाइपरपैरामीटर्-परिचयार्थं ग्रिड् अन्वेषणस्य उपयोगं कुर्वन्तु

प्रयोगात्मकाः परिणामाः : परीक्षणदत्तांशसमूहे सर्वोत्तमप्रशिक्षणप्रतिरूपं प्रयोज्य, सारणी CF-LT, LSTM, Transformer, CF-L तथा CF-T मॉडलैः विभिन्नस्थलेषु भिन्नभिन्नपूर्वसूचनासमयविण्डोषु च दत्तानां TP एकाग्रतापूर्वसूचनानां सारांशं ददाति। प्रस्तावितं CF-LT प्रतिरूपं त्रयाणां मूल्याङ्कनमापकानां कृते उत्तमं परिणामं ददाति। R2 इत्यस्य दृष्ट्या CF-LT मॉडल् 0.37 तः 0.87 पर्यन्तं भवति, यदा तु अग्रिमः उत्तमः CF-L तथा CF-T मॉडलः क्रमशः 0.32-0.84 तथा 0.35-0.86 यावत् भवति । एतेन ज्ञायते यत् LSTM इत्यस्य दीर्घकालीनस्मृतेः संयोजनेन Transformer इत्यस्य ध्यानतन्त्रेण सह भविष्यवाणीसटीकतायां सुधारः कर्तुं शक्यते । CF-L तथा CF-T मॉडल् इत्यनेन सह दुष्टतमस्य LSTM तथा Transformer मॉडलस्य तुलनां कृत्वा MAPE 8.94%-20.62% (LSTM) तथा 8.91%-18.73% (Transformer) तः 8.29%-19.56% (CF -L) पर्यन्तं भवति । तथा ७.८२%-१७.५५% (CF-T) । एते परिणामाः दर्शयन्ति यत् दत्तांशविघटनं आवृत्तिविभागप्रतिरूपणं च मूलदत्तांशयोः निगूढां अधिकसूचनाः गृहीत्वा भविष्यवाणीसटीकतायां महत्त्वपूर्णतया सुधारं करोति

कुल फास्फोरस टीपी सान्द्रतां प्रभावितं कुर्वतां कारकानाम् पूर्वानुमानम्：

औसत निरपेक्ष SHAP मूल्यस्य (MASV) उपयोगः TP भविष्यवाणी परिणामेषु निवेशविशेषतानां (WT, PH, DO, COD, EC, TU, TN, NH3-N, TP) योगदानस्य परिमाणं निर्धारयितुं भवति आदर्शपूर्वसूचनापरिणामेषु अधिकः प्रभावः भवति। शोधं दर्शयति यत् अतीतस्य टीपी-सान्द्रताश्रृङ्खलायाः एव अतिरिक्तं कुल-नाइट्रोजन (TN) तथा धुंधलाता (TU) टीपी-अनुमानं प्रभावितं कुर्वन्तौ मुख्यौ कारकौ स्तः एतेन ज्ञायते यत् टीपी-परिवर्तनं न केवलं ऐतिहासिकसान्द्रतायाः प्रत्यक्षतया प्रभावितं भवति, अपितु अबिन्दु-स्रोत-प्रदूषण-उत्सर्जनेन सह सम्बद्धेन शैवाल-वृद्धि-गतिशीलतायाः जलपिण्डे नाइट्रोजन-फास्फोरस-अनुपातेन च निकटतया सम्बद्धम् अस्ति विशेषतया, टीएन तथा टीपी इत्येतयोः मध्ये महत्त्वपूर्णः सहसंबन्धः सरोवरपोषकचक्रचालने द्वयोः युग्मनप्रभावे बलं ददाति तथा च फास्फोरससान्द्रतापूर्वसूचनार्थं गैर-बिन्दुस्रोतनाइट्रोजननिवेशस्य महत्त्वं प्रकाशयति

एतेभ्यः परिणामेभ्यः निम्नलिखितम् अवलोकनं कर्तुं शक्यते ।

• निष्पक्षतामापकस्य दृष्ट्या बहवः विद्यमानाः GNNs त्रयोऽपि दत्तांशसमूहेषु MLP मॉडल् विरुद्धं दुर्बलं कार्यं कुर्वन्ति । उदाहरणार्थं, Pokec-z आँकडासमूहे MLP इत्यस्य जनसांख्यिकीयसमता GAT, GCN, SGC, APPNP इत्येतयोः अपेक्षया ३२.६४%, ५०.४६%, ६६.५३%, ५८.७२% च न्यूना अस्ति उच्चतरः भविष्यवाणी पूर्वाग्रहः समानसंवेदनशीलविशेषतानोड्स् अन्तः समुच्चयात् तथा च आलेखदत्तांशे टोपोलॉजिकल पूर्वाग्रहात् आगच्छति ।
• एफएमपी निरन्तरं सर्वेषु आँकडासमूहेषु जनसंख्यासमानतायाः अवसरस्य समानतायाः च दृष्ट्या न्यूनतमं भविष्यवाणीपूर्वग्रहं प्राप्नोति । विशेषतया, एफएमपी जनसांख्यिकीयसमतां ४९.६९%, ५६.८६%, ५.९७% च न्यूनीकरोति, यत् पोकेच्, पोकेक्-एन, एनबीए-दत्तांशसमूहेषु सर्वेषु आधाररेखासु न्यूनतमपक्षपातस्य तुलने भवति तस्मिन् एव काले एफएमपी एनबीए-दत्तांशसमूहे सर्वोत्तमसटीकतां प्राप्नोति तथा च पोकेक्-जेड् तथा पोकेक्-एन-दत्तांशसमूहेषु तुलनीयसटीकतां प्राप्नोति । संक्षेपेण, प्रस्तावितः एफएमपी भविष्यवाणीप्रदर्शनं निर्वाहयन् पूर्वानुमानपक्षपातं प्रभावीरूपेण न्यूनीकर्तुं शक्नोति।

प्रतिद्वन्द्वी पूर्वाग्रहेण नियमितीकरणेन च सह तुलना : प्रशिक्षणं, प्रमाणीकरणं, परीक्षणदत्तांशसमूहानां कृते 50%/25%/25% यादृच्छिकरूपेण विभक्तम्। चित्र 2 सर्वेषां पद्धतीनां कृते पैरेटो इष्टतमवक्राणि दर्शयति, यत्र निम्नदक्षिणकोणबिन्दुः आदर्शप्रदर्शनस्य (उच्चतमसटीकता न्यूनतमं भविष्यवाणीविचलनं च) प्रतिनिधियति

५ उपसंहारः

अस्मिन् लेखे प्रस्तावितं CF-LT संकरप्रतिरूपं CEEM DAN, FE, LSTM तथा Transformer मॉड्यूल् इत्येतयोः संयोजनेन पृष्ठीयजलस्य TP सान्द्रतायाः पूर्वानुमानं करोति । एषः संकरपद्धतिः उच्च-आयामी-दत्तांशैः उत्पद्यमानानां मॉडल-अतिफिटिंग्-अण्डर-फिटिंग्-योः दोषाणां समाधानं करोति तथा च दीर्घकालीन-भविष्यवाणीं कुर्वन् दत्तांशयोः मध्ये दीर्घकालीन-निर्भरतां स्थापयितुं असमर्थतायाः समाधानं करोति तदतिरिक्तं CF-LT मॉडलस्य उत्पादनस्य व्याख्यानार्थं SHAP मूल्यानां उपयोगः भवति ।

मॉडल् ताइहू-सरोवर-बेसिन्-मध्ये त्रयाणां जलगुणवत्ता-निरीक्षण-स्थानकानां आँकडानां उपयोगं कृत्वा भिन्न-भिन्न-पूर्वसूचना-समय-विण्डोषु ९ जल-गुणवत्ता-सूचकानाम् उत्पादनं करोति LSTM, Transformer, CF-L तथा CF-T एल्गोरिदम् इत्येतयोः उपयोगः नियन्त्रणप्रतिरूपरूपेण भवति । CF-LT मॉडलस्य R2 मूल्यं 0.37–0.87, MSE मूल्यं 0.34 × 10−3–1.46 × 10−3, परीक्षणदत्तांशसमूहे MAPE मूल्यं 7.88%–17.63% च अस्ति, यत् सूचयति यत् त्रयः अपि सूचकाः LSTM , Transformer, CF-L तथा CF-T परिणामाणाम् अपेक्षया उत्तमाः सन्ति। प्रस्तावितेन CF-LT मॉडलेन अपि उत्तमं शिखरपूर्वसूचनाफलं प्राप्तम् । SHAP व्याख्यायाः आधारेण अस्माभिः ज्ञातं यत् TU तथा TN (TP सान्द्रतायाः प्रारम्भिकसमयश्रृङ्खलां विहाय) TP भविष्यवाणीं प्रभावितं कुर्वन्तः महत्त्वपूर्णाः कारकाः सन्ति, यत् सूचयति यत् TP इत्यस्मिन् परिवर्तनं न केवलं TP सान्द्रतायाः प्रारम्भिकस्तरेन सह सम्बद्धं भवति, अपितु TP इत्यनेन अपि प्रभावितं भवति एकाग्रता । ताइहुसरोवरस्य मुहाने अबिन्दुस्रोतप्रदूषण उत्सर्जनस्य जलीयवनस्पतयः च मध्ये सम्बन्धः । तदतिरिक्तं वर्षाऋतौ टीपी-सान्द्रतायाः पूर्वानुमाने टीएन, टीयू च अधिकं योगदानं ददति इति ज्ञातव्यम् । अतः अस्य अध्ययनस्य परिणामाः सूचयन्ति यत् CF-LT मॉडल् यदा भिन्नाः पर्यावरणीयस्थितयः परिवर्तन्ते तदा TP इत्यस्य प्रतिक्रियातन्त्रस्य अवगमनाय अतिरिक्तसूचनाः प्रदाति।

6. संहिता प्रजननम्

CEEMDAN तथा FE आँकडा पूर्वसंसाधनम्

def ceemdan_fe_preprocessing(data):
    # CEEMDAN分解
    imfs, residue = ceemdan(data, **ceemdan_params)
    
    # 计算各个IMF的模糊熵
    fe_values = []
    for imf in imfs:
        fe_values.append(fuzzy_entropy(imf)) # 假定fuzzy_entropy为计算模糊熵的函数
    
    # 根据FE值重组IMFs
    imfs_sorted = [imf for _, imf in sorted(zip(fe_values, imfs))]
    imf_hf, imf_mf, imf_lf, imf_trend = imfs_sorted[:4], imfs_sorted[4:8], imfs_sorted[8:12], imfs_sorted[12:]
    return np.concatenate((imf_hf, imf_mf, imf_lf, imf_trend), axis=1)
 
# 应用到数据上
preprocessed_data = ceemdan_fe_preprocessing(original_data)
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16

LSTM&Transformer इति

def get_positional_encoding(max_len, d_model):
    pe = np.zeros((max_len, d_model))
    position = np.arange(0, max_len).reshape(-1, 1)
    div_term = np.exp(np.arange(0, d_model, 2) * -(np.log(10000.0) / d_model))
    pe[:, 0::2] = np.sin(position * div_term)
    pe[:, 1::2] = np.cos(position * div_term)
    return pe
 
def transformer_encoder(inputs, d_model, num_heads, ff_dim):
    x = MultiHeadAttention(num_heads=num_heads, key_dim=d_model)(inputs, inputs)
    x = LayerNormalization()(Add()([inputs, x]))
    x = Dense(ff_dim, activation='relu')(x)
    x = Dense(d_model)(x)
    x = LayerNormalization()(Add()([inputs, x]))
    return x
 
def transformer_decoder(inputs, encoder_outputs, d_model, num_heads, ff_dim):
    return decoder_output
 
input_features = Input(shape=(input_shape))
lstm_out = LSTM(lstm_units)(input_features) # LSTM
 
pos_encodings = get_positional_encoding(max_seq_length, d_model)
 
transformer_in = Add()([lstm_out, pos_encodings])
transformer_encoded = transformer_encoder(transformer_in, d_model, num_heads, ff_dim)
 
decoder_output = transformer_decoder(decoder_input, transformer_encoded, d_model, num_heads, ff_dim)
 
output_layer = Dense(output_dim, activation='linear')(decoder_output)
model = Model(inputs=input_features, outputs=output_layer)
 
model.compile(optimizer=Adam(learning_rate), loss='mse')
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33

संक्षेपः

अस्मिन् अध्ययने सतहजलस्य कुलफास्फोरससान्द्रतायाः पूर्वानुमानार्थं व्याख्यानीयं CEEMDAN-FE-LSTM-Transformer संकरप्रतिरूपं विकसितम्, आदर्शेन उन्नतदत्तांशपूर्वसंसाधनप्रौद्योगिक्याः गहनशिक्षणप्रतिमानस्य च संलयनद्वारा भविष्यवाणीसटीकतायां महत्त्वपूर्णं सुधारः कृतः, तथा च स्पष्टविशेषताव्याख्यानं प्रदाति via SHAP. प्रयोगात्मकपरिणामेन प्रतिरूपस्य प्रभावशीलतायाः पुष्टिः अभवत्, विशेषतः प्रमुखपर्यावरणकारकाणां पहिचानः, जलशरीरस्य यूट्रोफिकेशनप्रबन्धनस्य प्रदूषणनियन्त्रणस्य च शक्तिशाली साधनं प्रदाति

सन्दर्भाः

[1] जिएफु याओ, शुआइ चेन, जिओहोंग रुआन। पृष्ठीयजलस्य कुलफास्फोरससान्द्रतायाः पूर्वानुमानार्थं व्याख्यानीयं CEEMDAN-FE-LSTM-परिवर्तकसंकरप्रतिरूपम्। [ज] ९.जलविज्ञान के जर्नल खण्डः ६२९, फरवरी २०२४, १३०६०९