02 · STATEMENT
AI 降低编码门槛，
没有降低判断门槛。
我的研究贯穿小时级进水预测、日尺度总氮多步预测与多尺度残差学习。先把现场需求转成清晰的目标和时间窗口，再组织数据、比较模型、诊断残差，形成可复核的实验结论。南浔研究已发表于 PSEP，这套方法也延伸到北控的模型实验室实践。
AI 工具加快实现，我把更多精力放在问题定义、数据质量与实验判断上，让算法选择有依据，让研究结果能够被复现和接续使用。
01 · FORECASTING PRACTICE让模型
让模型
看不见
未来。
以水质时序研究为基础，把工艺问题转化为可验证的预测任务：明确时间尺度、建立强基线，用滚动评估检验泛化，再衔接工程使用。
阅读方法 ↓
阅读方法 ↓
AI 降低编码门槛，
预测任务里，
先守住三件事。
从研究问题到实验验证，再到业务使用
先判断，
再建模。
从水质预测到北控雨天决策 RF，我用目标、数据与工艺需求选择模型，再用明确的评估协议验证效果。
01这个问题适不适合预测？
先明确预测对象、服务对象与动作窗口：是为了提前识别小时级异常，还是支持日级、周级调度？如果传感器缺失、目标定义不稳定或没有可承接的业务动作，先修问题，不急着训练。
02数据量支不支持复杂模型？
先用 Ridge、随机森林等基线建立参照，再比较深度时序模型的收益。北控雨天决策 RF 的离线测试 ROC-AUC 为 0.878、F1 为 0.667；我把数据切分、指标与版本一并记录，让结果可复核。
03模型到底“看到了”什么？
时间序列最常见的错误不是参数，而是泄漏：特征时间戳不能晚于预测起点；填补、标准化、特征选择和调参都只在训练折中拟合。按时间扩展窗口验证，外部留出集只用于最后一次复核。
04结果能否跨工况工作？
结合季节、负荷与异常工况检查误差结构。南浔研究用多尺度分解与残差诊断组织 VMD、ARIMA 和 Informer 的分工，让混合模型建立在对序列特征的判断上。
05怎样进入工程系统？
把数据版本、训练窗口、输入字段与输出含义一并交付，在模型实验室中衔接回放验证、版本追踪和维护记录。这样，研究结果能够进入可复核、可持续迭代的工作流程。
04 · RESEARCH THREADS
论文成果
三项研究分别覆盖小时级进水预测、日尺度总氮预测与多尺度残差学习。南浔论文已发表于 SCI 一区期刊 PSEP，我作为学生一作，负责核心算法实现。
小时级进水水质预测
第一作者 · 已完稿针对全规模污水厂的连续进水记录，比较从线性基线到深度时序模型的路线，重点检查滚动评估与预测不确定性，而不是只看单次测试得分。
scikit-learnPyTorchRidgeDLinearPatchTSTiTransformerBlock Bootstrap
日尺度总氮多步预测
第一作者 · 已完稿用灰箱思路结合趋势分解、随机森林与工艺响应评估，比较不同预测步长的表现，为日尺度调度提供可解释、可检验的预测参考。
STLRandom Forest多步预测工艺响应评估
南浔总氮多步预测
学生一作 · 已发表 · SCI 一区发表于 Process Safety and Environmental Protection（PSEP）。我承担核心算法实现，构建 VMD 多尺度分解—ARIMA 分量预测—Informer 残差学习框架，并开展诊断与对照实验。DOI：10.1016/j.psep.2026.109589。
VMDARIMAInformer多尺度分解ACFFFT
模型之外，
还要交付什么？
数据与泄漏审计
变量是否在预测时真实可得、特征时间戳是否晚于起点、任何预处理是否仅在训练折拟合，都需要在建模前完成审计。
评估协议与实验积累
保留基线、每折结果、独立测试与探索记录，让模型选择有参照、方法改进有依据。论文研究与模型实验室共用这套可复核的实验习惯。
从预测结果到工程交付
在北控实践中，我把输入契约、质量检查、回放测试与版本记录连接起来。模型结果因此不只是一张图或一个分数，而是可追踪、可维护的工程资产。