顾乾晖，曾 斌，涂振宇

(1.南昌工程学院 信息工程学院，江西 南昌 330099；2.江西省防汛信息中心，江西 南昌 330096)

水质预测工作是根据采集到的历史水质监测数据，通过建模等手段来预测水质的变化趋势，来达到掌握水质现状以及发展趋势的目的[1]。水质预测精度的提高对于水环境质量的评价、水资源管理制度的制定，以及水污染监测与控制系统的规划具有重大意义[2]。

目前，水质预测的方法主要有模糊综合分析法[3]、支持向量机法[4]、灰色预测法[5]和人工神经网络法[6]等。模糊综合评价法需要对各种因子进行模糊化加权赋值处理，计算精度高但过程复杂，运行时间长。灰色预测法存在只适合水质短期预测不适合长期预测的缺点[7]，并且灰色预测法对复杂数据的预测效果较差[8]。近年来，随着人工智能的迅速发展，越来越多的学者把神经网络和机器学习运用到水质预测和评价模型当中。刘红梅[9]等运用最小二乘向量回归模型去预测水质，实验结果表明，大大降低了算法的计算复杂度并提高了水质预测的精确度。然而SVM对参数选取具有盲目性，有时候求出的模型并不是最优解[10]。张青等[11]建立了BP神经网络水质预测模型对水质相关指标进行预测，取得了良好的效果。何钰[12]等把BP神经网络应用于水质评价和水质预测之中，并与其他模型对比。结果表明，BP神经网络能降低计算复杂度，结果更加客观。BP神经网络虽然在水质预测方面取得了一定的成果，但是BP神经网络存在易陷入局部最优和收敛速度慢的问题[13]，并且BP神经网络在时间序列的数据分析上还存在着欠缺[14]。……