污水处理厂进水量预测分为中长期预测和短期预测，短期预测包括日周期水量预测和星期水量预测。水量预测的精度对污水处理厂设计、运行具有非常重要的作用。水量预测常规方法有时间序列法、回归分析法等。时间序列法根据水量的历史数据建模，并利用模型预测未来的水量；回归分析方法利用历史数据可以建立起水量与其他影响水量因素的关系，由这些因素未来数据预测出未来的水量值。　　现有的水量预测方法存在的主要问题是：由于影响水量的因素很多，而且各因素与水量之间的关系是复杂多样的，因而要将各种因素归于同一回归方程相当困难；时序模型能较好地反映水量本身的变化趋势，但它不能考虑其他因素对水量的影响，因而使预测效果不理想。比较理想的预测方法是将回归分析法和时间序列法相结合，两者互为补充，但需要探寻一种理想的数学结合方法。同时，水量预测中存在很多不确定因素，在这些影响因素下日水量数据构成了一个非平稳随机时间序列。　　针对上述问题，以及污水厂进水量依不同天气的敏感程度和影响程度不同的特点，重点研究了天气因素对进水量预测精度的影响，将影响因素划分为三类，并利用人工神经网络技术确定天气因素敏感模型，采用水量预测的分解建模方法以克服水量预测因天气因素的影响而呈现的预测精度不稳定，提高预测精度对天气因素影响的鲁棒性。