随着互联网、大数据时代的到来,诸如分布式城市供水管网这样的工业过程系统在运行过程中产生的大量数据成为工业生产的宝贵财富。应用好大量的历史数据能够为工业过程提供更多的决策依据。本文将以上海市的供水管网系统为研究对象,主要研究基于数据的水量预测建模问题。精准有效的水量预测是城市供水系统高效运行、智慧调度的重要参考。本文采用供水管网运行层级的数据,从在线和离线两个角度,探究多尺度的分析方法在水量预测建模问题中的应用。本文首先提出了基于时间序列局部信息的经验模态分解改进算法(LEMD)。该算法通过对时间序列数据集的端点两侧作极值延拓的方法,保证了在进行样条差值时,于时序数据窗口的两端的极值包络线不会出现很大的摆动,从而抑制EMD算法本身所固有的端点效应和模态混杂。改善了分解算法的分解质量,使端点效应得到了有效抑制,并作为多尺度混杂建模方法的理论依据。其次提出了基于L-EMD的短时日水量预测建模方法。该方法通过L-EMD算法将上海市日需水量数据序列分解到多个时间尺度上。并在每个时间尺度上独立分析相关解释变量对需水量的影响。最后通过动态结构的人工神经网络建模技术对每个本征模态进行建模预测。实验结果表明该建模方法能够大幅提高预测建模精度。最后本文在多尺度混杂建模框架下,为了应对运行层面管网的实时性要求,提出了自适应的近似在线超短时水量预测方法。该方法主要通过多尺度的重构分析方法将分布式系统中一个采样点的数据分解到三个统一的时标中去。利用离线建模的方法建立当前预测点历史数据、空间中相关节点历史数据、外部解释变量与当前点未来时刻间的预测子模型。通过线性加权各子模型的输出值来构建预测输出,并在线回归权重以实现自适应。结果表明该方法能够较为精准地预测未来水量。