《Water Research》:Causal-Informed Domain Adaptation with Cross-Attention for Predicting Anomalous Effluent Quality Fluctuations in Wastewater Treatment Plants
编辑推荐:
准确预测污水处理厂(WWTPs)异常排放水质波动对保护水环境至关重要,但现有方法受限于数据时间序列短且样本不均衡问题。针对异构系统特性,提出因果信息增强的跨领域时序适配模型CA-TDA,通过变分自编码器(VAE)提取水质变化潜在因果特征,结合动态跨注意力机制对齐异构域特征,有效捕捉非线性时序因果关系。实验表明,当目标域仅含源域8.35%样本时,CA-TDA在总氮(TN)等指标上R2达0.9820,异常连续预测F1/F2分数提升29%-89%,显著优于传统分布对齐方法。
张汉新|张海平|刘佳|彭凯明|郭茹|孙飞云|黄向峰|蔡晨
同济大学环境科学与工程学院,上海,200092,中国
摘要
准确预测污水处理厂(WWTPs)中异常出水质量波动对于保护水环境至关重要,主要挑战在于时间序列数据有限和样本不平衡。然而,现有的迁移学习方法由于进水变化性和工艺多样性,在识别这种异构系统中的异常波动时存在困难。为了解决这个问题,提出了一种结合交叉注意力(CA-TDA)的因果信息时间域适应模型用于时间序列预测。与传统方法侧重于分布对齐不同,CA-TDA能够动态捕获和对齐不同域之间的因果结构。通过变分自编码器(VAE)提取时间因果特征,然后利用交叉注意力识别出有效的跨域适应的关键驱动因素。实验表明,即使目标域仅包含8.35%的源样本,CA-TDA在多个出水质量指标(EQIs)上的预测性能也更为优越,平均R2值为0.9669,总氮(TN)的峰值R2值为0.9820。与基线方法相比,连续异常波动的F1分数和F2分数分别提高了29–87%和30–89%。这些结果证实了CA-TDA能够有效捕捉复杂的非平稳波动,显著提升了跨域出水异常预测的准确性和鲁棒性,显示出广泛的应用潜力。
引言
污水处理系统作为人类活动与生态环境之间的关键交汇点,在保障水资源安全方面发挥着重要作用(Kesari等人,2021;Kizgin等人,2024)。污水处理厂(WWTPs)的出水质量会受到进水条件、运营管理及环境变化等多种因素的影响,表现出非线性和时间性波动。此外,污水处理系统极易受到异常事件的影响,从而加剧溢流污染的风险(Feng等人,2022)。因此,准确预警出水质量异常对于确保水环境安全至关重要。在这种情况下,深度学习(DL)作为一种强大的时间建模工具,已成为出水质量预测的有效手段(Xie等人,2024)。例如,一些研究采用了长短期记忆(LSTM)网络、卷积神经网络(CNN)等模型来预测总氮(TN)、总磷(TP)和化学需氧量(COD)等关键水质指标(Li等人,2024a;Zhang等人,2023b)。为了进一步提高预测性能,一些研究开发了混合深度学习模型(Xu等人,2024;Yang等人,2021)。然而,预测WWTPs中异常出水质量波动仍然具有挑战性,因为时间序列数据常常因运营调整、设备维护、传感器故障或数据传输不稳定而存在长时间间隔和不连续性,且由于异常事件发生频率较低,样本严重不平衡(Rodriguez-Perez等人,2020;Zhang等人,2023a)。
迁移学习(TL)利用源域的丰富数据和先验知识,在目标域样本有限的情况下有效提高水质预测的准确性(Cao等人,2022;Yu等人,2024)。Chen等人提出了一种结合Transfer AdaBoost与LSTM网络的方法,该方法利用流域各段之间的相似性,从源域水质监测站的长时间序列中转移知识(Chen等人,2021)。这种方法可以捕捉长期依赖趋势,并在大规模连续数据缺失的情况下增强目标域的建模能力和预测鲁棒性。为了解决数据分布差异导致的性能下降,Zhou等人(2021)采用了多源TL框架,从多个邻近监测站提取并对齐共享特征,从而显著提高了水质预测性能。此外,基于Transformer(Peng等人,2022)和LSTM(Chen等人,2024a;Xiong等人,2022)的深度迁移学习策略也被证明可以提高跨流域水质预测的准确性和鲁棒性。上述研究通常假设不同监测站(源域和目标域)的数据分布相似,这主要是由于在短时空尺度上水质的相似性。然而,不同WWTPs的出水特性可能存在显著差异。工艺类型、运营条件和进水冲击等因素都会影响出水质量(Hu等人,2025),从而增加了应用TL时预测错误的风险。
域适应通过 align 源域和目标域的分布差异和特征表示,有效减少了异构域之间的差距,显著提高了模型准确性(Ye和Wang,2024)。DAformer模型(Chen等人,2024b)是一种结合了域对抗神经网络(DANN)和Informer模型的TL方法,在1天和5天的提前时间内显著提高了径流预测的准确性,分别比基于Transformer和LSTM的TL模型提高了16.1%和100.5%。类似地,相关研究也表明,使用域判别网络对齐源域和目标域的特征可以有效提升径流和水质预测模型的跨域泛化性能(Oruche和O'Donncha,2023)。此外,Many-to-Many域适应框架(Wang等人,2024b)通过整合多源模式和共享的多目标特征,实现了跨监测站的深度语义结构转移,减轻了由于120个站点之间的异质性导致的过拟合问题。尽管现有研究在流域水文预测方面展现了良好的跨区域预测能力,但对于WWTPs中异常出水质量波动的域适应研究仍较少。当前的域适应方法通常依赖于内在数据结构,忽略了水质变化的驱动因素以及强耦合变量之间的因果关系(Ding等人,2024)。
本研究开发了一种结合交叉注意力(CA-TDA)的因果信息时间域适应模型,用于时间序列预测,即使在数据条件有限的情况下也能实现对WWTPs中异常出水质量波动的稳健跨域预测。该模型基于变分自编码器(VAE)框架,将关键工艺变量和水质变化的滞后因果关系编码为潜在变量,以提取可转移的时间因果结构。此外,引入了交叉注意力机制,动态构建目标水质指标与潜在因果变量之间的非线性映射,从而增强模型对因果关系时间波动的响应能力,帮助更好地捕捉数据中的罕见异常模式。为了系统评估模型性能,进行了全面的研究,解决了预测不稳定性、异常检测困难以及由于样本量有限导致的复杂时间响应受限等问题。这包括针对数据量的敏感性测试、使用双尺度滑动窗口进行异常检测、评估因果关系和交叉注意力机制的作用,以及评估跨域可转移性和特征相关性。该研究全面揭示了模型在复杂运行条件下的知识转移和异常检测能力,为WWTPs中的智能预警和异常管理提供了坚实的理论基础和技术支持。
部分摘录
时间序列数据收集与预处理
为了建立一个适应多种运行条件的研究框架,选择了中国南方两个具有代表性的污水处理厂:一个采用A2O工艺(设计容量:100,000 m3/d),另一个采用CASS工艺(设计容量:50,000 m3/d)(图S1)。为了解决目标域数据有限的问题,选择了具有丰富和全面监测记录的A2O工艺WWTP(每12小时记录2,191个样本)作为源域。
数据量对模型性能的影响
如图2和图S5所示,增加目标域训练样本的数量在不同程度上提高了所有模型的整体EQI预测性能。不同迁移策略之间存在明显差异,其中提出的CA-TDA模型始终比基线模型具有更高的准确性。例如,以出水质量指标的平均MAE为例(图2a),CA-TDA的总体MAE从0.2174 mg/L
结论
CA-TDA旨在在数据条件有限的情况下实现异常出水质量波动的稳健跨域预测。它将关键运营变量和滞后因果关系编码为潜在表示,这些表示与目标出水指标动态对齐,以捕捉时间因果结构。该模型的跨域能力通过其在目标域数据有限和不同设施下的稳定性能得到验证。
致谢
本研究得到了中国国家自然科学基金(42371308)、上海市科学技术委员会项目(19511132101)、上海市重大科技项目(2021SHZDZX0100)和上海市青年人才发展计划(23QC1400300)的支持。
CRediT作者贡献声明
张汉新:撰写——原始草案、可视化、软件开发、方法论、正式分析、数据整理、概念化。张海平:撰写——审稿与编辑、监督、概念化。刘佳:撰写——审稿与编辑、监督、项目管理。彭凯明:撰写——审稿与编辑、监督、项目管理。郭茹:撰写——审稿与编辑、监督、资源协调。孙飞云:撰写——审稿与编辑、监督、资源协调。黄向峰:
利益冲突声明
作者声明他们没有已知的财务利益或个人关系可能影响本文所述的工作。