1.一种基于融合鲸鱼优化算法的水质时序预测方法，其特征在于，包括以下步骤：步骤1，采集水质监测数据并对水质监测数据进行预处理，得到水质时间序列数据；

步骤2，通过小波去噪方式对水质时间序列数据进行降噪处理；

步骤3，通过融合鲸鱼优化算法WOA对集成经验模态分解法EEMD的参数进行优化，通过EEMD对水质时间序列数据进行分解，得到若干个内在模态函数IMF；

步骤4，以目标水质指标作为预测指标，通过CNN‑LSTM深度学习模型对每个IMF进行预测并得到预测结果；汇总所有IMF的预测结果，输出整个水质时间序列数据的预测值；

在所述步骤3中，通过融合鲸鱼优化算法WOA对集成经验模态分解法EEMD的参数进行优化，具体包括：步骤301，初始化种群：随机生成一个参数集合，参数集合中的每个个体代表一组参数，参数包括合成分组大小和噪声标准差，这些参数的取值范围由下界和上界定义；

步骤302，评估适应度：通过定义的适应度函数计算每个个体的适应度值，即包络熵；若适应度值越低，则表示参数组合越优秀；

步骤303，更新种群：WOA通过模拟鲸鱼的捕食行为来更新种群，包括环绕猎物、螺旋移动和搜索猎物；每一步都通过特定的数学公式来更新个体的位置，逐步逼近最优解；

步骤304，边界检查：更新种群后，确保所有参数值都在允许的设定范围内；

步骤305，迭代与收敛：重复上述步骤，直到达到最大迭代次数；每次迭代中，都会更新最优解，并记录每次迭代的最优适应度值；

在所述步骤3中，通过EEMD对水质时间序列数据进行分解，具体包括：使用经过WOA优化后的EEMD参数对预处理后的水质时间序列数据执行EEMD分解，获得若干个内在模态函数IMF和一个残差 ：；

其中， 是预处理后的水质数据，N是分解得到的IMF数量。

2.根据权利要求1所述的一种基于融合鲸鱼优化算法的水质时序预测方法，其特征在于，在所述步骤1中，所述水质监测数据至少包括水温、pH、溶解氧含量、高锰酸钾含量、氨氮含量、总磷含量、总氮含量、电导率、浊度的指标。

3.根据权利要求1所述的一种基于融合鲸鱼优化算法的水质时序预测方法，其特征在于，在所述步骤1中，对水质监测数据进行预处理，具体包括：对水质监测数据进行缺失值处理、异常值处理、频次统一处理以及归一化处理；

在缺失值处理中，采用线性插值法对缺失值进行插补，线性插值法公式如下：；

其中，表示时间变量，在 之间， 在 之间；对于 和，其中 是缺失值左侧的最近一个非缺失数据点的时间或位置， 是 对应的观测值； 是右侧的最近一个非缺失数据点的时间或位置， 是 对应的观测值；

在归一化处理中，设原始时间序列数据为 ，其中，T是时间序列的长度；使用归一化方法将原始时间序列数据转换为 ；

；

其中， 是归一化后的指标值， 是原始指标值， 分别表示指标值中的最大值和最小值，通过归一化操作，将数值均映射到[0,1]之间。

4.根据权利要求1所述的一种基于融合鲸鱼优化算法的水质时序预测方法，其特征在于，所述步骤2具体包括：步骤201，进行小波变换：

基于Daubechies小波族中的db4小波基函数，通过卷积操作将信号分解到多个不同的频率子带中；

已知归一化后的数据为 ，选择db4小波基函数，记作 ，计算小波变换系数 为：；

其中， 指小波变换系数，表示信号在特定尺度 和位置 下的小波变换结果； 指归一化后的指标值； 指小波基函数 的缩放和平移版本；

步骤202，进行多分辨分析：

逐步分解信号为一系列逼近系数和细节系数，从而得到不同尺度的近似和细节部分；

步骤203，进行阈值处理：

使用软阈值方法对细节系数进行处理，以去除噪声成分，软阈值方法的数学表达式为：；

其中， 是细节系数， 是经过阈值处理后的系数，是阈值；

步骤204，进行阈值选择：

采用通用阈值方法来确定阈值，公式为：；

其中，是噪声的标准差，通过中位数绝对偏差估计；N是信号长度。

5.根据权利要求1所述的一种基于融合鲸鱼优化算法的水质时序预测方法，其特征在于，在所述步骤4中，以目标水质指标作为预测指标，通过CNN‑LSTM深度学习模型对每个IMF进行预测并得到预测结果，具体包括：步骤401，提取CNN特征：将数据输入至卷积神经网络CNN，设输入序列 经过滑动窗口处理后的数据为 ，其中S是窗口大小，第一个卷积层的输出可以表示为：

；

其中， 是第 个特征映射的第 个元素，是激活函数， 为偏置项， 是卷积核的权重，K是卷积核的大小；

最大池化层对输入数据 进行下采样，输出为，其中， 是是池化后的序列长度；池化过程可以表示为：；

其中， 是池化窗口的步长， 是池化窗口的大小；

步骤402，分析LSTM时序：LSTM层的计算涉及输入门、遗忘门和输出门，以及细胞状态；

设 和 分别是LSTM单元在时刻 的细胞状态和隐藏状态， 是输入向量，则：；

；

；

；

；

；

其中，指输入门在时间步 的输出， 指遗忘门在时间步 的输出， 指新的候选细胞状态， 指输出门在时间步 的输出， 、 、 、 、 、 、 、 均表示对应的权重矩阵， 、 、 、 均表示对应的偏置向量，是sigmoid函数，tanh是双曲正切函数， 表示逐元素乘法；

步骤403，输出全连接层：模型的输出层采用一个简单的全连接层，其输出表示为：；

其中， 是最后一个时间步的隐藏状态， 和 是输出层的权重和偏置，是最终的预测值。

6.一种基于融合鲸鱼优化算法的水质时序预测系统，用于执行权利要求1所述的一种基于融合鲸鱼优化算法的水质时序预测方法，其特征在于，包括：数据预处理模块，用于采集水质监测数据并对水质监测数据进行预处理，得到水质时间序列数据；

降噪处理模块，用于通过小波去噪方式对水质时间序列数据进行降噪处理；

EEMD分解模块，用于通过融合鲸鱼优化算法WOA对集成经验模态分解法EEMD的参数进行优化，通过EEMD对水质时间序列数据进行分解，得到若干个内在模态函数IMF；

预测模块，用于以目标水质指标作为预测指标，通过CNN‑LSTM深度学习模型对每个IMF进行预测并得到预测结果；汇总所有IMF的预测结果，输出整个水质时间序列数据的预测值。