本研究由Mozafar Ansari、Faridah Othman、Taher Abunama和Ahmed El-Shafie共同完成，他们均来自马来西亚的马来亚大学（University of Malaya）的土木工程系。该研究于2018年发表在《Environmental Science and Pollution Research》期刊上，旨在通过机器学习技术开发和评估一种集成模型，用于预测污水处理厂的进水流量，特别是针对马来西亚一家污水处理厂的案例进行深入研究。
污水处理厂的主要功能是将生活污水和工业废水处理至可接受的标准，然后排入受纳水体。为了有效地设计和运营污水处理厂，准确测量和预测进水流量至关重要。污水处理厂的许多操作，如污水泵的调度，都依赖于对进水流量及其特性的精确预测。然而，实时观测进水特性的成本较高，且需要大量设备。因此，开发一种能够准确预测进水流量的模型显得尤为重要。
在以往的研究中，时间序列模型被广泛应用于水文预测，包括河流流量预测等。然而，关于污水处理厂进水流量预测的研究相对较少。本研究旨在填补这一空白，通过对比三种时间序列算法：自回归积分滑动平均模型（ARIMA）、非线性自回归网络（NAR）和支持向量机回归（SVM），来评估它们在预测进水流量中的表现，并最终开发一种集成模型，以结合各模型在不同流量范围内的优势。
本研究分为以下几个步骤进行： 1. 数据收集与预处理：研究从马来西亚吉隆坡的一家污水处理厂收集了2011年至2013年共三年的周进水流量数据。由于部分观测数据可能存在记录错误，研究首先使用MATLAB软件对数据进行了预处理，识别并替换了异常值。 2. 模型构建与训练： - ARIMA模型：ARIMA模型是一种经典的时间序列预测方法，本研究通过SPSS软件对数据进行模型识别、参数估计和诊断检查，最终选择了最优的ARIMA模型参数（p=3, d=1, q=3）。 - NAR模型：NAR是一种基于递归神经网络（RNN）的非线性时间序列预测模型。研究通过MATLAB的神经网络工具箱对数据进行了训练，并通过调整隐藏层神经元的数量（从1到30）来优化模型表现。 - SVM模型：支持向量机回归模型通过核函数（本研究使用径向基函数RBF）进行非线性回归预测。研究通过试验确定了最优的C、epsilon和sigma参数。 3. 模型评估：为评估模型的准确性，研究采用了多种指标，包括均方根误差（RMSE）、决定系数（R²）、相对误差（RE）、峰值流量准则（PFC）和低流量准则（LFC）。这些指标用于比较各模型在不同流量范围内的预测精度。 4. 集成模型的开发：基于各模型在不同流量范围（低流量、平均流量和峰值流量）中的表现，研究开发了一种集成模型，结合了NAR模型在低流量和平均流量中的优势，以及SVM模型在峰值流量中的优势。
本研究通过对比ARIMA、NAR和SVM三种时间序列模型，发现AI算法（NAR和SVM）在进水流量预测中的表现优于传统的统计模型（ARIMA）。特别是NAR模型在低流量和平均流量范围内表现优异，而SVM模型在峰值流量范围内表现较好。通过开发集成模型，本研究进一步提高了预测精度，尤其是在低流量和峰值流量范围内。
该研究的科学价值在于为污水处理厂的进水流量预测提供了一种高效且精准的建模方法，填补了这一领域的空白。其应用价值则在于能够帮助污水处理厂的管理者提前预测未来的进水流量，从而优化运营调度，提高污水处理效率，降低运营成本。此外，本研究的集成模型方法也为其他水文预测领域提供了参考。
本研究还提到了未来研究的方向，例如可以尝试其他AI算法（如自适应模糊推理系统ANFIS、极限学习机ELM或小波-SVM混合模型）来进一步提高预测精度。此外，研究还建议对不同流量范围进行更详细的分析，以获取更精准的预测结果。
本研究通过创新的建模方法和全面的模型评估，为污水处理厂的进水流量预测提供了重要的理论和实践支持，具有广泛的科学和应用价值。