水务热点 | 10家水厂日供水量规律怎么评：时域+频域+复杂性，8个指标分出4类厂

导 语

水量预测是供水调度的基础，但预测模型越建越多，选哪个模型却越来越像"拍脑袋"——深度学习精度高但黑箱，统计模型可解释但假设苛刻，到底哪座水厂适合哪种模型，缺乏前置判断依据。这篇论文（净水技术2026年第1期）的做法是：先不急着建模，先把水厂日供水量时间序列"拆开看"——时域看自相关和趋势季节强度，频域看功率谱分布，复杂性看样本熵和赫斯特指数。规律性4项指标、非规律性4项指标，各取算术平均得到RS和IS，再用上海浦西10家水厂2017—2024年日供水量验证。最值得读的一点是：它把"选模型"从经验判断变成了一道前置的量化评分题，规律性得分高的厂推荐GARCH，低的推荐XGBoost，复杂的推荐深度学习。

图片摘要

01

这篇论文为什么值得读

很多供水企业的调度部门都面临一个朴素但难处理的问题：日供水量预测模型建了不少，但投产时选哪个、为什么选这个，往往说不清楚。深度学习模型精度好看，可解释性差；统计模型参数有物理意义，但对非线性、强噪声场景力不从心。模型选择如果靠经验，换一批数据、换一个水厂，结论就可能翻过来。

这篇论文给出的思路是：在动手建模之前，先对时间序列本身做"体检"——从时域、频域和复杂性三个角度，量化规律性和非规律性，然后根据得分把水厂分成四类，每类对应推荐模型。对正在推进智慧水务、想把水量预测从"经验驱动"转向"数据驱动"的团队，这是一套可以直接落地的模型选型前置流程。

02

8个指标拆成两组：规律性4项，非规律性4项

规律性指标全部来自时域分析：变异性补1-CV（CV越低越稳定）、自相关系数绝对值均值MAAC（越高趋势或周期越显著）、STL分解的趋势强度TS与季节强度SS之和、以及趋势季节强度与噪声强度之比R0。非规律性指标跨三个域：时域的噪声强度NS（STL残差方差占比）、频域的归一化谱熵Hnorm（越接近1频率分布越均匀、随机性越强）、复杂性的归一化样本熵NSE和归一化赫斯特指数HE,norm。

图1 规律性与非规律性分析框架（时域、频域、复杂性三条线）

图1的核心提醒是：规律性指标和非规律性指标不是简单的"此消彼长"，而是从不同维度刻画同一组时间序列。参数设置也贴合供水业务：自相关滞后k=30对应月度账单周期，STL季节周期取365 d对应年度气候周期，样本熵嵌入维度m=2、相似阈值r=0.2——这些取值不是随意定的，而是与用水行为的实际周期对齐。

03

10家水厂打分：RS与IS负相关，R²=0.95

上海浦西10家水厂2017年1月1日—2024年6月29日的日供水量数据，按上述8项指标计算后，规律性得分RS最高的是X厂（0.826），最低的是L厂（0.516）；非规律性得分IS最高的是L厂（0.384），最低的是X厂（0.232）。

图2 10家水厂RS与IS的散点分布及拟合线（R²=0.95）

图2的核心提醒是：RS与IS的相关系数达到0.95且呈负相关，说明这套评价方法内部自洽——规律性高的厂，非规律性确实低。这不是必然成立的数学关系，而是指标设计合理性的一个佐证。同时，不同水厂在规律性和非规律性特征上差异明显：X和Y2的MAAC高、1-CV高，说明供水模式时间依赖性强且稳定；L的NS和Hnorm高，说明随机波动和频谱复杂度大。

04

4类水厂配4套模型：不是精度最高的模型，而是"最对的"模型

论文把10家水厂按RS分为四类，并分别用GARCH和XGBoost做30 d~60 d预测，用MAPE评价。结果不是某一类模型通吃，而是规律性特征决定了哪个模型更合适。

图3 10家水厂GARCH与XGBoost预测MAPE对比（预测周期30 d~60 d）

图3的核心提醒是：MAPE曲线交叉的形态各不相同——X厂GARCH明显优于XGBoost，L厂XGBoost明显优于GARCH，C厂和T厂则是XGBoost更优。这说明模型选择不能只看排行榜，而要看时间序列的内在结构。

高规律性厂（RS≥0.8，X、Y2）：MAAC>0.70，残差平方序列满足GARCH建模条件，推荐GARCH、FIGARCH等能有效捕捉波动率长期持续性的模型。中规律性厂（0.7≤RS<0.8，C、T、M）：TS+SS>0.85且1-CV>0.65，趋势季节耦合强，推荐XGBoost、LSTM、Prophet、TBATS。低规律性厂（0.6≤RS<0.7，W、Y、Z、N）：R0<0.6、Hnorm普遍超过0.60，噪声环境强，推荐GARCH、LightGBM、CatBoost。复杂性厂（RS<0.6，L）：R0<0.4、Hnorm>0.7，极端噪声与混沌频谱并存，推荐DeepAR、N-BEATS等深度学习模型。

05

应用边界：7年数据、10家厂、上海浦西

论文的结论建立在特定数据集上：上海中心城区浦西区域10家水厂，2017—2024年日供水量，数据跨度约7.5年，覆盖了疫情封控等异常事件。不同城市的水厂规模、用户结构、调度策略差异很大，RS和IS的绝对值不能直接平移。

其次，预测周期限定在30 d~60 d，属于中短期预测；模型推荐基于GARCH和XGBoost的对比，未覆盖全部候选模型。参数设置（k=30、m=2、r=0.2）对月度账单周期和供水季节性做了适配，换一套用水模式（如以周为周期的工业用水为主）需要重新标定。

06

对供水调度与数据科学读者的启发

这篇论文提供的与其说是一组指标，不如说是一条工作流：先评价、再分类、后建模。它把"模型选择"从投产前的猜测，变成了一道有量化依据的前置分析。

三条可迁移的判断规则：其一，规律性强的序列（高自相关、低噪声）优先用统计模型，规律性弱的序列优先用机器学习或深度学习；其二，评价指标本身可以作为监控工具——当某座水厂的RS持续下降、IS持续上升时，意味着用水模式在发生变化，原有预测模型可能需要重新评估；其三，不要把"精度最高"等同于"最合适"，模型可解释性和业务可落地性同样重要，这套评价方法的价值在于让选择过程透明化。

扫码阅读文章全文

引用信息

张新,翁晓姚.多维度的水厂日供水量规律性评价方法[J].净水技术,2026,45(1):63-72,83.

DOI: 10.15890/j.cnki.jsjs.2026.01.008

来源：本文内容为AI改编，原文出自《净水技术》论文《多维度的水厂日供水量规律性评价方法》，作者张新、翁晓姚（上海城投水务（集团）有限公司）。

编辑：黄智恒

排版：李滨妤

审核：孙丽华

由于微信修改了推送规则，没有经常点“推荐”的，会慢慢收不到推送。如果你还想看到我们发布的权威信息，请将“净水技术”加为星标，每次看完后不忘点下“推荐”和“赞”。

欢迎广大水务企业加盟合作