一种用于进水氨氮预测的、基于大语言模型的多尺度时间解耦与尺度级可学习提示对齐框架

《Journal of Water Process Engineering》:An LLM-based framework with multi-scale temporal disentangling and scale-wise learnable prompt alignment for influent ammonia nitrogen forecasting

【字体: 大 中 小 】 时间:2026年08月29日 来源:Journal of Water Process Engineering 6.6

编辑推荐:

   • 进水氨氮(NH?-N)预测支持污水处理厂(WWTP)的氮负荷早期预警。 • 预测使用多变量进水水质、流量和气象数据。 • MSD 表示趋势相关、波动相关和残差动态。 • SLPA 将数值型污水嵌入适配至预训练主干网络。 • 基于全规模污水处理厂数据,评估 3–24 小时预

  

• 进水氨氮(NH?-N)预测支持污水处理厂(WWTP)的氮负荷早期预警。
• 预测使用多变量进水水质、流量和气象数据。
• MSD 表示趋势相关、波动相关和残差动态。
• SLPA 将数值型污水嵌入适配至预训练主干网络。
• 基于全规模污水处理厂数据,评估 3–24 小时预测时间跨度的性能。

**引言**

随着废水排放标准日益严格以及城市化进程的加速,作为城市水循环关键基础设施的污水处理厂面临越来越大的压力,需要保持稳定运行并实现精细化的过程管理 [1]、[2]。在此背景下,进水氨氮浓度是污水处理厂生物脱氮过程设计与运行的重要变量 [3]。其变化不仅影响硝化和反硝化过程的设计与运行控制,还影响处理负荷和过程稳定性,从而影响氮去除性能和出水达标情况 [4]、[5]。在实际操作中,进水污水时间序列受居民日常用水模式和降雨等气象因素的共同影响,因此呈现出复杂的多尺度时间特征 [6]。这些多尺度特征使多步预测具有挑战性,因为预测模型必须在捕捉长期时间演变的同时,对短期波动和不规则变化保持敏感性 [7]。与此同时,传统运行策略仍然高度依赖固定的监测和控制限值。这种依赖限制了污水处理厂对进水水质和运行条件快速变化的主动响应能力 [8]。因此,准确的进水 NH?-N 多步预测对于适应性过程运行、处理规划、氮负荷波动早期预警以及稳定地满足排放要求至关重要 [9]、[10]。其实用价值不仅取决于预测精度,还取决于所提供的提前量:较短跨度的预测可支持对进水条件变化的近期响应,而较长跨度的预测则可延长用于监督管理规划和协同控制的决策窗口 [11]。

近年来,随着深度学习的快速发展,循环神经网络(RNN)、长短期记忆网络(LSTM)和门控循环单元(GRU)已被广泛用于多步预测,并也被引入废水处理应用中用于建模进水水质序列中的时间依赖性 [12]、[13]、[14]。它们的循环架构使得可以直接从历史观测中学习序列依赖性,这对于捕捉废水水质数据中常见的非线性和时间依赖行为是有利的 [15]。然而,循环计算可能限制了对扩展历史上下文的有效利用,尤其是在依赖性跨越较长回看窗口时 [16]、[17]。基于 Transformer 的架构利用注意力机制并行地建模全局时间依赖性和多变量交互作用,为表示复杂的废水动态提供了一种灵活的替代方案 [18]、[19]、[20]。然而,废水预测模型通常是针对单个任务使用有限的领域内数据集开发的,当运行条件发生变化时可能需要额外的适配 [21]、[22]。

废水研究表明,预测性能取决于异构时间动态如何被表示。Yan 等人报道,在基于 GRU 的进水氨氮预测前引入滚动变分模态分解,相较于单独使用 GRU,均方根误差(RMSE)、平均绝对误差(MAE)和平均绝对百分比误差(MAPE)分别降低了 16.69%、13.02% 和 11.90% [23]。Giberti 等人进一步发现,当预测时间跨度超过一小时时,废水流量和污染物负荷预测的可靠性下降,表明预测性能对预测长度的敏感性 [24]。这些发现共同表明,时间表示方式和预测跨度都可能实质性地影响废水预测性能。

预训练大语言模型(LLM)最近已被探索作为时间序列预测的表示主干 [25]。其潜在价值在于提供一种预训练的序列处理基础,可以通过参数高效微调适配至特定预测任务,从而为废水时间序列预测提供了一条值得研究的建模路径 [26]。GPT4TS 研究报告,在完整数据设置下平均均方误差(MSE)降低 9.3%,在仅使用 10% 训练数据时降低 33.3%,均相对于 TimesNet [27]。Time-LLM 研究在其自身评估协议下报告了约 20% 和超过 33% 的相应降低 [28]。

然而,将预训练语言模型主干应用于废水预测引入了一种表示挑战。语言模型主要是在离散文本标记上预训练的,而废水时间序列由连续的数值观测组成。这两种数据模态在统计结构和表示语义上均存在差异 [29]。因此,数值时间序列通常需要专门的重新编程或表示对齐,才能被映射为适合预训练语言模型主干的形式 [30]。

现有的基于 LLM 的时间序列预测方法,如 GPT4TS 和 Time-LLM,仅部分地解决了这些需求。GPT4TS 将预训练的 GPT-2 模块适配至时间序列预测,但在主干编码前未明确解耦不同尺度的时间分量 [27]。Time-LLM 通过时间序列重新编程和 Prompt-as-Prefix 条件化缓解了通用表示差距,但其对齐是应用于未分解的时间序列片段,而非分别应用于不同的时间分量 [28]。因此,这些代表性方法未能同时提供废水多尺度动态的明确解耦以及解耦后的数值表示与预训练嵌入空间之间的尺度级对齐。

为解决上述挑战,我们开发了 MSD-SLPA_{LLM} 框架,用于基于全规模污水处理厂数据的进水 NH?-N 多步预测。该框架旨在结合面向废水的多尺度时间表示与预训练序列主干的轻量级适配,以支持中短期进水氮负荷预测。具体来说,多尺度时间解耦(MSD)模块将混合的进水动态分解为趋势相关、波动相关和残差潜在流,而尺度级可学习提示对齐(SLPA)模块则通过提示条件化将这些流适配至预训练主干。此外,还引入了正则化以减少尺度级条件信号之间的冗余。

总之,本文的贡献如下:
(1)我们提出了 MSD-SLPA_{LLM},一种基于 LLM 的进水 NH?-N 多步预测框架。该框架旨在应对废水时间序列中多尺度分量混合所导致的复杂结构,以及连续数值数据与标记导向嵌入之间的不匹配,并显式地建模废水时间序列的结构特性,以提高基于 LLM 的预测可靠性。
(2)我们设计了一个 MSD 模块,利用多尺度卷积和可学习滤波器组将废水时间序列中的混合时间动态解耦为三种结构化表示。我们还设计了一个 SLPA 模块,采用尺度级可学习提示、正交性正则化和语义锚点选择,更好地将这些表示适配至预训练 LLM,并减少尺度级条件信号之间的冗余。
(3)我们基于全规模污水处理厂数据建立了进水 NH?-N 多步预测基准,预测跨度从 3 到 24 小时,并额外设置了有限数据评估。实验结果为评估 MSD-SLPA_{LLM} 在多预测跨度下的预测性能提供了直接证据。

**数据分析与预处理**

本研究在中国陕西省延安市的一座市政污水处理厂开展,该厂处理能力为 25,000 m3/天。该厂采用 A2O 处理工艺链,后续接磁混凝、曝气过滤和超滤。对于预测模型的开发和评估,我们使用了日常监测的进水水质测量数据以及在该厂同步采集的气象观测数据。过程变量记录于

**整体架构**

图 1 展示了 MSD-SLPA_{LLM} 用于进水 NH?-N 多步预测的整体架构。为解决复杂的时间模式以及连续废水时间序列与基于标记的预训练主干之间的表示差距,该框架遵循一个三阶段流程。首先,给定一个多变量历史序列,MSD 应用多尺度卷积和可学习滤波器组以产生三个解耦的潜在表示。接下来,SLPA 将

**与基线预测模型的比较**

表 2 总结了所有比较模型从 3 小时到 24 小时的多步预测结果。结果报告为五次独立运行的均值 ± 标准差。总体而言,MSD-SLPA_{LLM} 取得了最低的跨跨度平均 MSE,并且在 8 个预测跨度中有 7 个的平均 MSE 排名第一。在 MAE 方面,MSD-SLPA_{LLM} 在 6、15、21 和 24 小时跨度上取得了最低均值,而 GPT4TS 在 3、9、12 和 18 小时跨度上取得了最低均值。

在

**结论**

本研究开发了 MSD-SLPA_{LLM},用于基于全规模污水处理厂数据的进水 NH?-N 多步预测。该预测任务源于进水 NH?-N 浓度作为来水氨氮条件指示器的运行相关性,其影响硝化稳定性、曝气需求和出水不达标风险。MSD-SLPA_{LLM} 结合多尺度时间表示与预训练 GPT-2 主干的参数高效适配

**CRediT 作者贡献声明**

李智信:初稿撰写、软件、形式化分析。李丹霞:审阅与编辑、指导、资金获取。何金荣:调查研究、概念化。牛志瑞:资源、方法论。刘政:验证、指导。冯志华:验证、调查研究。林彩燕:资源、数据管理。

**资助**

本工作受国家自然科学基金(批准号:62366053)资助。

**利益冲突声明**

作者声明不存在已知的可能影响本文所述工作的竞争性经济利益或个人关系。

李智信 | 李丹霞 | 何金荣 | 牛志瑞 | 刘政 | 冯志华 | 林彩燕
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号