调水工程自建成通水后,在完成调水任务的过程中采用多种监测手段对调度运行中的水情数据进行记录和存储。随着数据信息采集技术、数据上传和存储技术的不断提升,大量的水情信息被累积存储到所设数据库中。经历多个调水年度后,积累了丰富的水位、流量等监测数据。基于数据驱动的方式对历史数据进行有效利用,可以挖掘和提升水情数据的价值,为水量调度方案的制定提供完备的数据支撑。本文以胶东调水工程2018-2019年的水位数据为研究对象,基于MATLAB、Pycharm构建数据清洗模型和神经网络模型,利用origin、ARCGIS等进行绘图操作,主要研究成果如下:（1）基于图表对比方式和皮尔逊相关性分析结果进行数据分析,结果表明同一监测点的水位、流量数据呈现出一定的关联性,并在不同工况下体现。同一时段内不同水工建筑物的水位数据在变化趋势上具有一定的相似性,建筑物之间距离越近,相似程度越大;闸门、泵站等的控水建筑物前后水位波动幅度大,控水建筑物之间水位波动幅度小,节点下游比上游波动幅度大,且波动程度与邻近控水建筑物的距离成反比;整个调水阶段除通水开始和停水结束外,泵站水位整体处于一定范围内,冬季冰期阶段泵站下游水位在较高范围内波动进而减少水面结冰对调水的影响;渠道相邻监测节点的各水位、流量因子之间有一定的相关性,但正态性不显著。（2）采用箱型图诊断模型、滤波-3σ异常值检测模型、孤立森林异常值检测模型等多种方法分别对水位数据进行异常值检测,结果表明中值滤波+3σ模型在异常值检测方面更占优势。固定值、均值、中位数、众数、上下条数据填充等基本的数值填充方法计算简洁方便,但不适合水位波动的情况;热卡填充、K最近邻法填充受限于近似标准和近邻样本数量n的自行设置,使用时受其约束;期望值最大算法、多重算法、模型预测值中虽填充数值较为准确,但也受限于一定的使用条件,且算法复杂;而插值算法简单、合理,适用于填补调水工程中缺失的水位数据。（3）基于皮尔逊相关系数法、灰关联分析、斯皮尔曼等级相关系数法、肯德尔秩相关性系数法的相关性分析结果识别影响因子,构建BP神经网络模型和LSTM神经网络模型应用于胶东调水工程东宋泵站的水位预测,并采用R~2、RMSE、MAE进行预测结果评判。BP神经网络模型的预测结果表明:数据总量一定的情况下,训练期和预测期之比为7:3时,预测结果较好;数据量越大,保持一定预测精度所需要的正相关的影响因子数量越多;数据集能反映数据变化规律的前提下,预测时间间隔与数据本身的时间间隔相同时,预测效果更好,BP神经网络预测模型实现了对泵站前池水位的2h准确预测和4h的一般准确预测。LSTM神经网络模型适用于数据量较大的情况下,故在数据量能够满足预测的前提下,2h、4h、6h的短期水位预测均可取得较好的预测效果,且预测结果稳定。总体而言,预测时间越长,BP和LSTM神经网络模型预测结果的精确度越低。在数据量满足网络训练需求时,LSTM神经网络的4h、6h预测效果优于BP神经网络。