科学网-Water北京大学环境科学与工程学院李天宏研究员团队：机器学习与深度学习模型在河流水质时间序列预测中的性能比较与应用探索-曼迪匹艾MDPI的博文

Water北京大学环境科学与工程学院李天宏研究员团队：机器学习与深度学习模型在河流水质时间序列预测中的性能比较与应用探索

2026-10-18 09:00

阅读：164

随着自动水质监测技术的发展，大量高频、多维度水环境数据不断积累，如何利用人工智能技术实现水质变化精准预测，已成为水环境管理领域的重要研究方向。传统水质预测方法在处理复杂非线性时间序列时存在一定局限，而机器学习和深度学习模型凭借其处理复杂数据关系的能力，被广泛应用于水质时间序列预测。

北京大学环境科学与工程学院李天宏研究员团队针对河流水质时间序列预测问题，系统比较了多种机器学习和深度学习模型在单步预测和多步预测任务中的表现，并综合评估模型的预测精度、训练效率以及预测时间尺度。研究发现，在单步预测中，LSTM模型具有较高预测精度，而RNN模型具有更高训练效率；在多步预测中，PatchTST模型能够降低时间延迟并保持较稳定的预测性能。

研究过程与结果

本研究采用珠江支流白坭河两个自动水质监测站点的数据开展分析，包括上游XHY站和下游TMH站。研究使用2021年8月至2023年12月期间的监测数据，数据采样间隔为4 h，以氨氮浓度作为预测目标。

研究比较了7种机器学习和深度学习模型，包括支持向量回归 (SVR)、XGBoost、K近邻算法 (KNN)、循环神经网络 (RNN)、长短期记忆网络 (LSTM)、门控循环单元 (GRU) 以及PatchTST模型，并分别开展单步预测和多步预测实验。

图1. 白坭河流域监测站位置示意图。

深度学习模型在单步预测中表现更优

在单步预测任务中，研究比较了SVR、XGBoost、KNN、RNN、LSTM和GRU模型的预测效果。结果表明，深度学习模型整体表现优于传统机器学习模型。

其中，LSTM模型在单变量特征条件下获得最高预测精度。与机器学习模型 (SVR、XGBoost、KNN) 相比，LSTM模型的均方误差 (MSE) 降低约22.0%，平均绝对误差 (MAE) 降低约22.3%。同时，研究发现RNN模型虽然预测精度略低于LSTM，但训练时间更短，因此在综合考虑预测精度和计算效率时具有一定优势。

图2. 下游站氨氮浓度变化情况。

多源监测数据融合对预测效果提升有限

研究进一步比较了单变量特征子集和多变量特征子集下的模型表现，其中多变量特征子集加入了两个监测站的数据。结果显示，增加上下游站点数据并未显著提高单步预测精度。除部分模型外，多变量输入并未带来稳定的性能提升，说明仅通过直接融合两个站点同期数据，对预测效果改善有限。

图3. 测试集预测曲线：(a) 单变量特征子集；(b) 多变量特征子集。

PatchTST模型在多步预测中表现出优势

在多步预测任务中，研究比较了递推式多步预测模型 (RNN、LSTM、GRU) 与直接多步预测模型PatchTST。结果表明，当输入从单变量 (仅下游站) 扩展为多变量 (上下游两站) 特征时，PatchTST模型自身预测效果显著改善：MSE降低11.7%，动态时间归整 (DTW) 降低5.1%，时间扭曲指数 (TDI) 降低9.5%。而在多变量特征条件下，PatchTST的TDI相比其他模型中表现最优者进一步降低了13.8%以上，显示出更小的时间延迟效应。

研究发现，LSTM和GRU在多步预测过程中容易产生单调预测结果，而PatchTST能够更好地捕捉时间序列变化趋势，在多步预测任务中表现出更稳定的预测能力。

图4. 测试集预测曲线。图 (a-h) 分别展示了测试集中不同时间段的预测结果。

不同模型适用于不同预测场景

研究结果显示，不同模型在水质预测任务中具有不同特点。LSTM在单步预测中具有较高精度，RNN具有较高训练效率，而PatchTST在多步预测中表现出较好的预测性能。研究指出，模型选择需要综合考虑预测精度、训练效率以及预测时间尺度，以满足不同水质时间序列预测需求。

研究总结

本文系统比较了机器学习和深度学习模型在河流水质时间序列预测中的表现，评估了不同模型在单步预测和多步预测任务中的性能。研究发现，LSTM在单步预测中具有较高预测精度，RNN具有较高计算效率，而PatchTST在多步预测中能够降低时间延迟并保持较稳定的预测性能。该研究为河流水质时间序列预测中的模型选择提供了参考。