近年来随着物联网、大数据、云计算、人工智能等新兴技术在社会各行业中的广泛应用,城市水务建设正朝着信息化、智慧化方向探索与发展,其中水质智慧化管理是城市智慧水务建设的重要组成部分,水质预测又是水质智慧化管理的核心所在。因此在此背景下,本课题进行了水质预测方法与智慧水质管理系统构建的研究。本论文的研究内容如下:（1）以水质要素溶解氧（DO）为例进行时序水质预测研究,为水质管理系统中的水质预测功能开发提供技术支持。本文分别采用基于单要素和多要素的两种预测方法开展水质预测实验,在单要素预测实验中搭建了求和自回归移动平均模型（ARIMA）、BP神经网络和长短期记忆神经网络（LSTM）三个水质预测模型,实验结果表明LSTM水质预测模型可以有效挖掘溶解氧（DO）的时序性,预测精度远高于其它两种预测模型,尤其在长期预测时优势更为明显;在多要素预测实验中,本文建立了基于皮尔逊相关性检验的LSTM水质预测模型,实验结果表明利用多要素之间的关联性可以提高预测精度获得更好的预测效果。（2）开发异构数据源多协议转换的物联网软网关。由于各种水质监测设备采用的数据通信协议不统一,导致水质监测设备无法接入水质管理系统,因此本课题设计开发了用于协议适配和数据转发的物联网软网关,通过将不同数据源的各种协议数据转换为统一的数据格式进行上传,实现水质监测设备与水质管理系统的数据交互。（3）搭建微服务架构的智慧水质管理系统。首先基于系统的稳定性、后期系统功能模块的扩展和运维考虑,本系统后端采用微服务架构,该架构可以极大的提高系统的稳定性、可维护性和可扩展性,接着以系统需求分析为导向从物理架构、功能架构和技术架构多角度对系统进行设计,将智慧水质管理系统划分为设备管理、水质预测管理、水质采样管理和样品综合管理等功能模块,并在水质预测模块中对前述多要素LSTM水质预测方法进行了实现。最后基于前后端分离的开发模式对系统各功能模块进行实现和测试,到目前为止,系统上线运行已有半年之久,各功能模块运行正常。