随着我国经济的快速发展,水资源短缺、浪费和污染问题日益突出。水质预测技术对水质未来变化趋势进行预测,可以有效控制和减少水质恶化造成的危害,达到对水质恶化的有效认知和及时控制的目标。本文在综述国内外大量相关文献的基础上,对水质预测技术进行了研究。当前的水质预警系统采集的水质数据往往存在数据冗余、缺失等缺点,并且传统的水质预测方法对这些原始数据的质量重视不足；另外,针对水质预警系统高频采集的数据往往需要在低频下进行预测和分析的特点,传统水质预测方法通常取每日数据的平均值进行分析处理,这样会损失原始数据内含的相关信息。针对以上问题,本文开展了相关的研究工作,主要的成果和创新点有：1.基于k均值聚类、LIN插补算法和奇异谱分析方法等方法,提出了一系列在线水质数据预处理的方法,提高了原始数据质量。采用BP神经网络模型作为水质预测模型来验证数据预处理方法的效果,初步实验结果表明这些方法有效地提高了预测的效果。2.基于水质预警数据库中的高频水质数据,在水质预测中引入了符号数据中的直方图时间序列,提出了基于高频原始水质数据构建直方图时间序列的方法。3.基于高频水质数据所生成的直方图时间序列,结合KNN模型和指数平滑模型,在水质预测中应用了直方图时间序列预测方法,并将KNN模型、指数平滑模型与直方图时间序列分析的基本模型进行了比较研究。本文提出的数据处理方法与直方图时间序列预测方法有效地提升了水质预测的可靠性和准确性,同时直方图时间序列预测方法能够比传统水质预测方法提供更多的水质分布信息。