针对水质数据维度高、冗余强及溶解氧（DO）浓度预测中长期趋势难以建模的问题，提出一种基于PCA-LSTM-Attention的DO多步预测方法。利用PCA提取关键水质主成分，包括水温（WT）、总磷（TP）、氨氮（NH

3

-N）和总氮（TN）

这些水质因子对DO浓度变化具有重要影响，从而降低输入维度并增强变量可解释性。结合注意力机制（Attention）的LSTM结构，能够有效捕捉关键时间步对DO主导影响，实现对非线性时序特征的高效建模。利用太湖流域五杭运河断面水质实测数据开展验证试验，结果显示，在t+1至t+30各时间步中，趋势拟合精度、异常响应能力与多步稳定性方面均显著优于传统LSTM模型。研究实现了从“高维复杂输入”到“可控可解释预测输出”的技术闭环，为水质智能监测与精准调控提供了高适配性的建模方案。