水资源管理对城市日常用水消费、农业灌溉、工业用水消耗、生态环境保护有着重要意义。我国地表水资源的污染问题依然严重,还需要深入实施水污染防治行动。因此,有必要掌握水质未来的变化趋势,进而建立水环境水质预测预警系统。针对这一问题,本文工作提出一种整合的水质时空预测模型,这个模型可以结合历史的时空多要素特征来预测未来一段时间内的水质变化情况,为水环境相关管理决策提供辅助决策支持。主要有以下两部分的工作,具体工作内容如下:首先如何获取高质量的水质时间序列数据。由于水环境领域数据的敏感性,及落后的数据收集手段,难以在短时间内获取足够多的数据用以训练模型实现水质预测。因此,需要利用已有的水环境数据,合理地生成真实有效的数据,提高现有数据的规模,从而提升预测模型的学习效率。但这也是一个非常具有挑战性的问题,受到许多复杂因素的影响。一方面,如何合理模拟真实数据的高维分布,而不是简单的对真实数据的重复,是生成数据的首要问题;另一方面,针对于生成的模拟数据,如何从不同角度去判断数据模拟的优劣,缺乏可量化的评价指标,故使用客观公正的标准去衡量不同时间序列生成的模拟数据间的差异性,也是当前生成数据面临的另外一个问题。面对这些挑战,本文综合采用生成式对抗网络,通过生成网络和判别网络互相博弈对抗的方式进行学习,同时结合水环境多维特征,生成逼真的模拟数据,进而支持对水环境管理平台整体水环境状况的评估工作。在此基础上,本文工作选择ARIMA、循环神经网络、图卷积神经网络和单隐层神经网络算法对水质时空多要素数据进行建模预测,基于不同模型的预测精度表现,得到最优的水质时序预测模型。当前的水质时序研究,一般只是基于单个水质监测站点的时序角度来预测水质变换趋势,本文基于图卷积神经网络,除了考虑到水质时序特征外,还进一步考虑了水质的空间特征,综合考虑时空多要素特征对水质进行预测,可以有效地提升模型的预测精度。综上所述,本文工作通过对缺失水质数据进行补全,并且对多要素数据进行特征筛选后,使用基于时空的多要素图卷积模型对水质数据进行预测。经过实验验证,基于时空图卷积的水质时序预测模型相较于传统时序预测模型在精度上有了较大的提升,为水环境管理决策提供可靠的数据指导。