一种基于深度学习的污染物预测方法

本发明属于序列预测方向，具体地说是一种基于深度学习的污染物预测方法，包括：基于KAN网络的数据增强；通过改进后的门控单元C‑GRUCell用于时序特征的提取；通过编码器Encoder提取空间特征，并将数据合并得到新的输入序列，最后通过解码器Decoder做预测输出。最终得到了基于深度学习的序列预测模型。本发明有效的结合了GRU的短期时序特征的提取能力，和解码器的长期特征提取能力，增强了模型在序列预测任务中的预测精度。为了进一步提高模型的性能，本发明改进了GRU门控单元，在后文中叫做C‑GRUCell，通过引入卷积操作，有效地提高了GRU门控单元的预测精度和灵活性。