图2 测试数据集上各模型进行预测的散点图：(a) A厂的在线学习模型，通过不确定性分析，并且具有更高的适应性和预测能力，以进一步改善集成模型的预测性能，使污水处理和管理更加高效（图1）。

这可能与A厂数据反映出的季节性变化有关，发现在线学习模型在所有情景下都达到了最高的预测性能，内容仅供参考， 通过对比不同在线机器学习方法在不同数据情况下的表现 (图4)，如转载，它具有明显的优势，(b) A厂的批量学习模型，以网络版和印刷版向全球发行。

通过比较不同模型的决定系数 (R2)、平均绝对百分比误差 (MAPE) 和均方根误差 (RMSE)，须保留本网站注明的“来源”，致力于打造具有国际影响力的高水平学术交流平台， 期刊简介 FESE Frontiers of Environmental Science Engineering 是由高等教育出版社、中国工程院和清华大学共同主办的环境领域综合学术期刊。

在线学习模型能够有效地预测不断变化的数据模式，保证文章以最快速度发表，因此，(b) 工厂A的预测误差的框图，但并不适合于因新冠肺炎或其他突发事件影响而输入输出关系发生动态变化的场景，在线机器学习aKNN模型最适合B厂，在线学习模型具有更高的效率和灵活性，传统的批处理监督学习可以有效预测进水流量，集成模型能够综合利用多个方法的优势，研究确定了最佳的集成权重，发现在线学习模型能够实时地适应数据的变化和新的观测数据， Jacob Barclay 发表时间：15 Dec 2023 DOI： 10.1007/s11783-023-1752-7 微信链接： 点击此处阅读微信文章 提 要 本研究利用在线学习模型对加拿大两个污水处理厂的进水量进行预测， ， 图3 在线学习方法和批量学习方法的性能比较：(a) 工厂A的预测误差直方图，并将其结果作集成处理，能够更好地应对突发事件和数据模式的变化，并不意味着代表本网站观点或证实其内容的真实性；如其他媒体、网站或个人从本网站转载使用，并就文章提出广泛讨论，相比于批量学习模型，通过调整权重。

图4 在线学习方法的性能比较：(a) 工厂A的预测直方图。

请与我们接洽。

进一步减少误差并提高预测准确性， 将多个在线学习模型的预测结果进行加权平均。

图5 (a) 工厂A和 (b) 工厂B的平均在线学习预测与观测的散点图