У роботі розглянуто застосування глибинних нейронних мереж типу LSTM (Long Short-Term Memory) та CNN (Convolutional Neural Network) для прогнозування багатопараметричних показників якості води в режимі реального часу. Проаналізовано архітектурні особливості рекурентних мереж з елементами пам'яті, зокрема механізм керування потоком інформації через ворота забування, вхідні та вихідні ворота. Розглянуто принципи побудови гібридних CNN-LSTM моделей, у яких згорткові шари відповідають за виділення локальних просторових ознак часових рядів, а LSTM шари – за врахування довготривалих часових залежностей. Обґрунтовано доцільність використання таких гібридних моделей для підвищення точності прогнозування комплексного інтегрального показника якості води на основі багатопараметричних Big Data-моделей.

APPLICATION OF LSTM AND CNN MODELS FOR FORECASTING MULTIPARAMETRIC WATER QUALITY INDICATORS IN REAL TIME

Abstract:

The paper examines the application of deep neural networks, namely LSTM (Long Short-Term Memory) and CNN (Convolutional Neural Network), for forecasting multiparametric water quality indicators in real time. The architectural features of recurrent networks with memory elements are analyzed, including the mechanism of controlling information flow through forget, input, and output gates. The principles of constructing hybrid CNN-LSTM models are considered, in which convolutional layers extract local spatial features of time series while LSTM layers capture long-term temporal dependencies. The feasibility of using such hybrid models to improve the accuracy of forecasting an integral complex water quality indicator based on multiparametric Big Data models is justified.