有限监测条件下基于BP神经网络的城市排水管网BOD5数据驱动预测

《Water》：Data-Driven BOD5 Prediction in Urban Drainage Networks Using a BP Neural Network Under Limited Monitoring Conditions

　　

为了解决排水管网中传统5日生化需氧量（BOD₅）测定周期长且无法实时预警的工程挑战，同时考虑到实际中监测指标有限，本研究提出了一种基于BP神经网络的BOD₅浓度预测方法。基于某城市排水管网的10,511组现场实测数据，仅选择化学需氧量（COD）、氨氮（NH₄⁺-N）和总磷（TP）这三个常规可测指标作为输入特征。首先构建了仅以COD为输入的基线模型，验证核心预测因子的可靠性（R² = 0.9401）。随后引入NH₄⁺-N和TP，建立三特征协同预测模型，将R²提升至0.9541。通过比较三种优化算法（L-BFGS、Adam和SGD）并进行超参数优化，最终测试集R²达到0.957，平均绝对误差（MAE）为8.834 mg/L（平均绝对百分比误差MAPE = 12.89%），约为平均BOD₅浓度的10.3%的实际误差。预测精度显著优于支持向量回归（SVR，R² = 0.930）和多元线性回归（MLR，R² = 0.955）。使用来自济南（中国）、呼和浩特（中国）和墨尔本（澳大利亚）的三个外部独立数据集验证了泛化能力。结果表明，该模型在同一区域内保持合理的预测能力（R² = 0.844），但在跨区域和跨国迁移时精度显著下降（MAPE从12.89%上升至35.07%–58.63%）。该方法为有限监测条件下排水管网水质预警提供了一种高精度、低成本、实时的估算方案。

城市排水管网承担着收集和输送生活污水、