💥💥💞💞欢迎来到本博客❤️❤️💥💥
🏆博主优势：🌞🌞🌞博客内容尽量做到思维缜密，逻辑清晰，为了方便读者。
⛳️座右铭：行百里者，半于九十。
📋📋📋本文目录如下：🎁🎁🎁
目录
💥1 概述
1.1 AＲIMA 模型
1.2 CNN － LSTM 模型
📚2 运行结果
🎉3 参考文献
🌈4 Python代码实现
💥1 概述
文献来源：
1.1 AＲIMA 模型
AＲIMA 模型由 Box 和 Jenkins 于 20 世纪 70 年代提出，是一种著名的时间序列预测方法，该模型的基本思想是将数据看成一个时间序列对象，再使用数学模型对该时间序列进行描述，训练完成的模型可以通过时间序列的过去值、现在值来预测未来的数据及趋势，在一些工业设备强度预测等问题中得到了广泛的应用。由于实际的水文序列具有非线性非平稳的特点，而 AＲIMA 模型引入了差分，对于非线性非平稳的时间序列也具有良好的处理效果，并对水文序列中的线性关系具有良好的学习效果，故本文采用 AＲIMA 模型对未来水位变化情况进行预测。
AＲIMA 模型由自回归( AＲ) 模型、移动平均模型( MA) 和差分法( I) 组成，其表达式如下。
自回归( AＲ) 模型用来描述现值与过去值之间的关系，使用指标自身的数据对自身进行预测。
1.2 CNN － LSTM 模型
考虑到影响因素众多，故本文使用了一种基于 CNN － LSTM 的多变量预测模型，将数据的多个变量输入进神经网络模型中，通过 CNN 对数据进行特征提取，其中原理如下。
定义一段水位数据序列为
细胞状态Ct由输入门和遗忘门的变化决定，其表达式如下:
📚2 运行结果
plt.figure(figsize=(10, 3),dpi=150) plt.title('AQI') plt.xlabel('time') plt.ylabel('AQI') plt.plot(data_raw, 'r', label='AQI') plt.legend() plt.show()
plt.figure(figsize=(9, 2),dpi=150) plt.plot(history.history['loss']) plt.title('model loss') plt.ylabel('loss') plt.xlabel('epoch') plt.show()
plt.figure(figsize=(10, 4),dpi=150) plt.plot(test_data, label="Actual", color='red',linewidth=4) plt.plot(range(len(x_train)+timestep+1,len(new_data)),draw_test, color='blue',label='Prediction',linewidth=2.5,linestyle="--") plt.title('Prediction', size=15) plt.ylabel('AQI',size=15) plt.xlabel('time/day',size=15) plt.legend() plt.show()
🎉3 参考文献
部分理论来源于网络，如有侵权请联系删除。
[1]陈帅宇,赵龑骧,蒋磊.基于ARIMA-CNN-LSTM模型的黄河开封段水位预测研究[J].水利水电快报,2023,44(01):15-22.DOI:10.15974/j.cnki.slsdkb.2023.01.002.
