水是重要的物质资源。人类的生存和发展离不开水,地球上多数的生命活动也都起源于水。2017年,我国的经济增长率为6.9%,这一经济增长率非常乐观。但高经济增长率同时也带给我们自然环境的破坏,特别是水体的污染。在这种情况下,根据已经掌握的水质资料,运用相关技术手段,推断出水质在未来的变化,分析预测水质变化规律和趋势变得尤为重要。通过对水质的预测,加强对水质的预警功能。面对我市曾经出现过的突发性藻类爆发水污染事故,如果再次出现能够做到及时预警,将损失降到最低,让油田注入优质水、百姓饮用健康水、环境润泽清洁水、社会永续安全水的目标得到保障。本文在结合生产实际的基础上,对水质预测研究的选题背景和研究意义进行了分析,对目前已有的水质预测方法现状进行了说明,进一步探讨了将要采用的研究方法。通过阐述我市水源的原水状况,以对藻类爆发的研究作为水质预测研究的切入点,引入藻类污染的各种量化指数,分析藻类爆发的影响因素。本文主要分析和研究的内容包括:影响水质污染中藻类爆发的因素选择、基于Lasso方法的藻类爆发影响因素的分析和基于BP神经网络的藻类爆发预测模型。在综合考虑影响藻类爆发多种因素的基础上,从水质指标中筛选出16个可用变量进行量化,用机器学习中的Lasso方法进一步解决变量选择问题。最终确定水温、酸碱度、透明度、电导率和溶解氧等7个因素对藻类爆发影响最为显著。结合机器学习中的BP神经网络方法,对上述7个影响因素构建藻类爆发预测模型,达到藻类爆发预测的目的。将大庆市某泡2000-2015年的水质数据作为训练样本,对2016-2017年做出藻类爆发预测,并将预测值与真实数据进行对比分析。预测结果显示,BP神经网络藻类爆发模型的预测准确率较高,该模型具有良好的适用性。