近日，昆明理工大学环境科学与工程学院刘泽伟副教授、李彬教授团队和西安建筑科技大学贺张伟教授合作，在高精度出水水质预测领域取得重要进展，相关成果以“A feature selection and per-indicator modeling framework for forecasting multivariate effluent water quality in wastewater treatment plant”为题，发表在环境科学与水处理领域高水平学术期刊《Water Research》上。
研究团队从数据自相关性与特征贡献解耦的角度出发，通过严格的消融实验和SHAP可解释性分析，构建了融合随机森林特征筛选与LightGBM算法的分指标独立预测框架，在无需引入复杂深度学习架构的条件下实现了污水处理厂出水水质的高精度预测。框架在单厂小时级数据上展现出优异的预测性能，COD、NH4+-N、TN的测试集R2均超过0.99，TP达到0.9599。剥离历史滞后特征后，模型性能发生断崖式衰减（COD的R2从0.9968降至-0.4854），揭示了短时自相关性是驱动高精度预测的绝对主导因素。机理研究表明，LightGBM的核心价值不在于边际精度提升，而在于其可解释的自适应决策机制：模型在稳定温度下依赖历史均值，在氨氮冲击负荷时自动切换至瞬时变化率策略。值得注意的是，模型自发学会了进水COD与出水TN的负相关性，与活性污泥模型中“反硝化需易降解碳源”的理论高度吻合。研究还结合多步预测时效分析，明确了1–6小时的有效预测窗口。相关工作为评估高度自相关时间序列下机器学习的真实预测能力提供了严谨的方法论体系，也为污水处理厂的智能低碳运行提供了可参照的技术路径。
昆明理工大学为该论文第一通讯单位，环境科学与工程学院刘泽伟副教授为论文第一作者，环境科学与工程学院2025级硕士研究生张蕾为论文的第二作者，环境科学与工程学院李彬教授和西安建筑科技大学环境与市政工程学院贺张伟教授为论文的共同通讯作者。该研究工作得到国家自然科学基金、云南省基础研究和云南省重点研发项目的资助。
