本项目与南京市惟精环境科技有限公司合作,通过实地调研其水环境治理业务,针对传统水质监测"监测点少、数据滞后、预警靠人工经验"的痛点,构建一套集实时监测、智能预测、扩散模拟、自动预警、三维可视化与 AI 问答于一体的水质监测预警平台。
平台面向监测中心运维人员与管理决策者,覆盖从数据采集到处置决策的完整闭环,核心功能模块包括:
1. 实时监测:对接 5 类传感器(温湿度、pH、浊度、溶解氧/COD、氨氮/总磷)共 9 项水质指标,通过 MQTT/TCP 采集、WebSocket 秒级推送,前端实时曲线与数据表格联动展示,支持历史查询与 CSV 导出。
2. LSTM 时序预测:对各指标进行未来 24–72 小时多步预测,输出预测曲线与 95% 置信区间,辅助提前研判水质变化趋势。
3. 污染扩散模拟:基于高斯扩散模型,按污染源位置、强度、水流参数计算扩散范围,以热力图与时序动画呈现影响区域。
4. 综合预警:融合时序预测与扩散结果生成五级预警,并落地"触发→确认→处理中→已解决→已关闭"的完整预警生命周期管理,全程留痕可追溯。
5. 数字孪生:基于 Cesium 三维地图标注监测站点并叠加实时数据。
6. AI 数字人助手:基于 RAG 检索增强生成的专业问答,结合水污染防治法规与处置预案知识库,支持流式回复与语音交互,为应急处置提供决策建议。
整体采用前后端分离 B/S 架构,按"展示层-应用层-业务层-数据层-设备层"五层划分。前端 Vue3 + Element Plus + ECharts + Cesium,按业务域做模块化拆分;后端 FastAPI + SQLAlchemy + MySQL,AI 能力由 TensorFlow 与本地大模型/向量模型支撑,设备层预留 MQTT/TCP 真实接入。
我主导的核心工作与成果:
1. LSTM 预测引擎(最具难度):未直接套用现成模型,而是自研带自定义 Attention 层的双向 LSTM 架构,用 Huber 损失提升对异常值的鲁棒性;并引入 MC Dropout 在推理期多次采样,输出带 95% 置信区间的预测结果,解决了"点预测无法表达不确定性"的问题。模型在测试集上 MAE 约 0.08、RMSE 约 0.12。
2. 双阶段 RAG 检索:针对单路向量检索召回不准的问题,设计 BGE-Large 向量粗排(Top-20)+ BGE-Reranker 精排(Top-5)两阶段架构,并对 reranker 原始分做 Softmax 温度归一化,使相似度分数更可解释;全链路 GPU 加速 + 本地离线部署,兼顾精度与数据安全。
3. 预警生命周期:将预警从"一次性告警"重构为有状态机的完整流程,各状态记录操作人、时间与处置内容,贴合企业实际责任追溯需求。
主要难点与解决:
(1)离线环境模型加载失败:HuggingFace 库在 import 阶段即固化网络常量,通过在导入前强制设置离线环境变量并直连本地 snapshot 路径解决。
(2)新旧模型兼容:预测器加载配置时对缺失字段做降级兼容,使旧版无注意力模型仍可推理。
(3)实时推送稳定性:用统一连接管理器维护 WebSocket 连接池并做断连清理,保障多端实时同步。