随着智慧水务的发展,水质数据量也日益增大。同时由于水质数据的变量多样性和变量间的强相关性,使得水质脏数据的处理难度陡然上升,严重影响了水务行业的决策性分析,因此水质数据清洗已然成为了水务信息研究中的核心内容。近年来,随着机器学习方法的广泛应用,利用其解决数据清洗问题的技术也取得了较大的进展,为水质数据清洗提供了许多可参考的解决方案。基于当前水质数据的分布特点和用户对数据清洗的需求,本文在水质数据时间特征属性的基础上,以模型的运行效率作为切入点,进而研究基于并行计算的水质时间序列数据清洗平台的构建方法,实现先进编程技术架构和数据清洗流程的有机结合,为水务决策性分析提供有效的数据质量保障。本文全面介绍了水质数据清洗平台构建和应用过程的相关技术,主要包含以下几方面工作:首先,通过深入了解数据清洗的基本流程及现状,现有的水质数据特点和机器学习方法的应用现状等问题,本文将水质时间序列的清洗流程总结为三个主要阶段,分别是数据预处理、异常值检测和空缺值填补阶段。在数据预处理阶段处理不符合常识的明显错误的水质数据,在异常值检测阶段处理不符合水质时间序列正态分布特征的数据,在空缺值填补阶段利用统计学方法和机器学习方法预测缺失数据和异常数据。接着,针对水质数据缺失的不同情况,在空缺值填补阶段分别采用了平均值预测,支持向量回归(Support Vector Regression,SVR)算法预测和长短期记忆网络(Long-Short Term Memory,LSTM)算法预测。针对算法核心参数难以确定的问题设计了粒子群优化(Particle Swarm Optimization,PSO)算法改进的SVR(PSO-SVR)和PSO改进的LSTM(PSO-LSTM),并且采用非线性递减惯性权重策略对PSO的迭代过程进行了优化。同时使用了多种常用的算法模型进行对比实验,通过评价指标对比,本文所采用的模型预测效果均优于其他模型,进一步说明了本文所选用模型的有效性和准确性。然后,针对大数据量和算法的高复杂度导致数据预测模型运行时间过长的问题,本文使用微服务架构作为并行计算解决方案,实现了PSO算法的并行化。进一步提升了整个清洗流程的效率以及平台的易用性和扩展性。通过对比并行优化前后的预测模型运行时间,验证了本文所构建的模型的高效性。最后,本文以前后端分离的Web开发技术为基础。使用Java编程技术、Python编程技术以及My SQL数据库设计理论来构建平台的后端服务。Java Script+HTML+CSS的技术栈构建平台的前端页面,同时结合水质时间序列的清洗流程建立数据清洗平台。并详细说明了平台总体功能和平台中各个模块的主要功能,同时详细展示了主要页面。本文所建立的数据清洗平台依托于《水体污染控制与治理科技重大专项》这一国家级项目,能够高效地对水质时间序列进行全面地数据清洗工作,有效地为水务决策分析提供帮助。