1.一种基于金字塔型立体模型的污水水质预测方法，其特征在于，包括以下步骤：S1.获取废水水质指标监测数据，并对废水水质指标监测数据进行变形拓展，得到变形拓展数据；

S2.构建基于多模型融合堆叠的立体预测模型；

S3.将废水水质监测数据和变形拓展数据输入至立体预测模型，输出得到最终的COD预测值和NH3‑N预测值，完成污水水质预测；

所述立体预测模型包括废水水质指标预测模型和元模型；

所述废水水质指标预测模型，用于接收所述废水水质指标监测数据，输出得到COD初步预测值和NH3‑N初步预测值；

所述元模型，用于接收所述COD初步预测值和NH3‑N初步预测值，输出得到最终的COD预测值和NH3‑N预测值；

所述废水水质指标预测模型为并列的RFR模型、CNN模型、GBDT模型和LSTM模型；所述RFR模型的输入端、CNN模型的输入端、GBDT模型的输入端和LSTM模型的输入端，均为整个废水水质指标预测模型的输入端；所述RFR模型的输出端、CNN模型的输出端、GBDT模型的输出端和LSTM模型的输出端均与元模型的输入端相连接；

所述元模型为BPNN神经网络。

2.根据权利要求1所述的基于金字塔型立体模型的污水水质预测方法，其特征在于，步骤S1中所述废水水质指标监测数据包括废水的电导率EC、pH值、氧化还原电位ORP、反应温度T、溶解氧DO、浊度NTU。

3.根据权利要求2所述的基于金字塔型立体模型的污水水质预测方法，其特征在于，所述变形拓展数据包括电导率变化率△EC、pH变化率△pH、氧化还原电位变化率△ORP、溶解氧变化率△DO、反应温度变化率△T、浊度变化率△NTU、电导率累加值ECCum、pH累计值pHCum、氧化还原电位累加值ORPCum、溶解氧累加值DOCum、反应温度累加值TCum、浊度累加值NTUCum、各废水水质指标监测数据的乘积和各废水水质指标监测数据的商。

4.根据权利要求1所述的基于金字塔型立体模型的污水水质预测方法，其特征在于，所述RFR模型通过构建多个决策树，并将多个决策树的预测结果进行平均得到各初步预测值；

所述各初步预测值的计算公式为：

其中， 表示RFR模型输出的各初步预测值， 表示决策树的总数， 表示输入的废水水质指标监测数据， 表示第 个决策树对COD和NH3‑N的预测结果。

5.根据权利要求1所述的基于金字塔型立体模型的污水水质预测方法，其特征在于，所述GBDT模型通过构建一系列决策树捕捉废水水质指标监测数据的非线性特征，具体为：计算当前决策树的负梯度，其计算公式为：

其中， 表示第m次迭代第j个废水水质指标的负梯度， 表示偏导数， 表示损失函数， 表示第j个实例的真实标签， 表示第m‑1次迭代的决策树对第j个废水水质指标的预测值， 表示第j个废水水质指标的输入参数， 表示损失函数相对于提升模型预测值的导数；

将当前决策树的负梯度作为损失函数的目标，计算得到下一决策树，其计算公式为：其中， 表示第m次迭代的决策树的预测值， 表示第m‑1阶段的决策树的预测值， 表示第 棵决策树的学习率， 表示第 棵决策树的输出， 表示废水水质指标监测数据；

重复上述步骤，直至达到预设的迭代次数，得到废水水质指标监测数据的非线性特征。

6.根据权利要求1所述的基于金字塔型立体模型的污水水质预测方法，其特征在于，所述LSTM模型通过包括输入门、遗忘门和输出门捕获废水水质监测数据与COD初步预测值及NH3‑N初步预测值之间的长期依赖关系；

所述输入门，用于决定当前输入信息被保留多少；

所述遗忘门，用于决定先前状态中需要被遗忘的信息；

所述输出门，用于决定当前单元状态对输出的影响；

所述LSTM模型具体包括以下公式：

其中，表示输入门的输出参数， 表示遗忘门的输出参数， 表示输出门的输出参数， 表示LSTM模型在 时刻的单元状态， 表示sigmoid激活函数， 表示输入门的权重， 表示 时刻的隐藏状态， 表示 时刻的隐藏状态， 表示 时刻输入LSTM模型的废水水质指标监测数据， 表示输入门的偏置， 表示遗忘门的权重， 表示遗忘门的偏置， 表示根据当前环境条件动态计算的调整因子， 表示输出门的权重， 表示输出门的偏置， 表示LSTM模型在 时刻的单元状态， 表示 时刻输入信息对应的记忆表征， 表示双曲正切激活函数， 表示单元状态更新对应的权重， 表示单元状态更新对应的偏置。

7.根据权利要求1所述的基于金字塔型立体模型的污水水质预测方法，其特征在于，所述BPNN神经网络的输出为：其中， 表示BPNN神经网络输出的最终的COD预测值和NH3‑N预测值，  表示激活函数，表示输出层的权重， 表示隐藏层的权重， 表示经RFR模型、CNN模型、GBDT模型和LSTM模型并联融合得到的各初步预测值的融合特征， 表示隐藏层的偏置项，表示输出层的偏置项。

8.根据权利要求1所述的基于金字塔型立体模型的污水水质预测方法，其特征在于，所述步骤S2具体包括以下分步骤：对废水水质指标监测数据进行拓展处理，得到变形拓展数据；

利用对等差插值法对废水水质指标监测数据进行填充处理，得到完整的废水水质指标监测数据；

根据完整的废水水质指标监测数据和变形拓展数据构建变量数据集；

将变量数据集输入至废水水质指标预测模型进行训练，得到训练完成的废水水质指标预测模型、COD初步预测值和NH3‑N初步预测值；

将COD初步预测值、NH3‑N初步预测值、COD实测值和NH3‑N实测值输入至元模型进行训练，得到立体预测模型。