5、利用神经网络时间序列模型预测废水生化需氧量（BOD）水平

利用神经网络时间序列模型预测废水生化需氧量（BOD）水平

1. 背景与问题提出

在当今大多数国家，将处理后的废水排放到生态系统中是常见做法。然而，废水处理成本高昂，通常不会将废水净化到可安全供人类饮用的程度，而是借助水生环境进行“净化”。随着人口增长，大量处理后的废水排放到环境中，可能使生态系统不堪重负，对人类和动物造成不安全状况。例如，美国罗德岛的纳拉甘西特湾，由于沿岸有多个废水处理设施，多次因居民食用湾内捕获的食物或接触湾水而生病，导致该湾关闭商业捕鱼和娱乐活动。目前，很难预测水体何时会变得不安全，公众健康因此面临潜在未清洁水源的持续威胁。

研究人员指出，目前监测和控制废水处理过程中出水水质的能力较为原始且困难。废水处理是一个复杂的多变量过程，输入高度可变，具有非线性时变动态和自相关的时间序列结构，还容易受到较大干扰。此外，废水测量系统不可靠，测量生化需氧量（BOD）可能需要长达五天的前置时间。而出水BOD水平是衡量水生环境中氧气消耗数量的重要指标。

近年来，基于以下因素，对废水处理过程进行更有效控制成为可能：
- 先进预测模型的发展；
- 对过程变量更准确、及时的测量；
- 无线技术提供的实时处理过程视图。

2. 研究目的与方法

本研究旨在探究神经网络时间序列模型预测城市废水处理厂出水BOD的准确性，并以包含干预项的自回归积分滑动平均（ARIMA）模型作为基准进行性能比较。

3. 神经网络时间序列模型概述

选择合适的预测模型通常遵循简约原则，例如指数平滑模型因其简单性和准确预测能力而受欢迎。但对于具有复杂性质（如非线性关系、相互作用和时变动态）的领域，神经网