阎 凤

(上海城投水务（集团）有限公司自来水业务受理分公司，上海 200040)

0 引言

水质预测是水环境治理的一项基础工作，是资源环境承载能力监测预警的重要组成部分，建立准确的水质预测模型可以为管理部门水资源保护科学决策提供重要支持。水质预测模型通常利用流域属性数据或者各类时序数据，建立非线性关系模型或时序特征模型。传统的水质预测模型主要包括时间序列模型、灰色系统理论模型、回归分析模型以及神经网络模型等。雷勇等[1]采用线性回归模型实现在线水质监测系统的设计与实现。于慧等[2]采用灰色GM(1,1)模型对海河三岔口断面的溶解氧等多项指标年度变化趋势进行预测。周添一等[3]采用优化的非线性有源自回归模型（Nonlinear autoregressive with exogenous inputs,NARX）对时间序列溶解氧进行预测。时间序列模型过于强调时间因素在预测中的作用，忽视了其他水质影响因素和水质项之间的关系。Wang 等[4]利用长短期记忆网络（Long short-term memory networks,LSTM）模型预测城市污水的化学需氧量。王昱文等[5]采用复合神经网络对四项水质指标进行预测。石翠翠等[6]基于水质参数与溶解氧的复杂非线性关系，采用支持向量机方法研究水质预测模型。

支持向量机（Support Vector Machine,SVM）是一种基于统计学习理论的机器学习算法，以解决小样本量和非线性问题而著称，是研究人工智能、数据分析、人脸识别等领域的一个重要方法。SVM 虽然有许多优点，但是在处理大样本容量等分类问题时存在不足。当训练样本数为N时，SVM 的时间复杂度接近N2[7]。……