A Lightweight Time--Frequency Fusion Network for Accurate Wastewater Quality Forecasting

Resumo Técnico: Uma Rede de Fusão Tempo–Frequência Leve para Previsão Precisa da Qualidade de Águas Residuais

Definição do Problema
A previsão precisa da qualidade do efluente de águas residuais (especificamente Fósforo Total, Ortofosfato e Nitrogênio Total) é crítica para o alerta precoce e o controle de processos em Estações de Tratamento de Águas Residuais (ETARs). No entanto, esses sinais apresentam desafios únicos: exibem forte autocorrelação, respostas bioquímicas atrasadas, não estacionariedade e ritmos operacionais recorrentes. Embora modelos recentes baseados em Transformer alcancem alta precisão, seus custos computacionais e mecanismos de interação genéricos são frequentemente excessivos para o monitoramento específico de alvos em dispositivos de borda (edge devices). Por outro lado, modelos lineares leves podem falhar em capturar transições não lineares ou perturbações abruptas. O desafio central é desenvolver um modelo que supere as linhas de base de persistência simples de "sem mudança" (no-change), permanecendo compacto o suficiente para implantação online, sem confundir o valor das interações entre variáveis com a capacidade de extrair habilidade robusta a partir do histórico de um único alvo.

Metodologia: TSF-Resonator
O artigo propõe o TSF-Resonator, uma rede de fusão tempo–frequência leve projetada sob um protocolo estrito de "histórico do alvo independente de canal". Neste protocolo, o modelo prevê um indicador de efluente específico usando apenas sua própria trajetória histórica, com parâmetros compartilhados entre os canais, distinguindo-se de modelos de interação cruzada multivariada como o iTransformer.

A arquitetura consiste nos seguintes componentes:

1. Normalização de Entrada: O RevIN (Normalização de Instância Reversível) é aplicado para estabilizar desvios de distribuição antes do processamento e para restaurar escalas físicas após a previsão.
2. Ramo Temporal Adaptativo Multiescala: Este ramo lida com variações locais do estado operacional e codificação de tendência–resíduo. Ele utiliza um banco de suavizadores convolucionais para aprender tendências adaptativas em múltiplas escalas. Os componentes de tendência e resíduo são processados por codificadores leves separados. Crucialmente, o ramo combina o agrupamento de média global (capturando a evolução lenta do processo) com o agrupamento de estado recente (capturando as condições operacionais atuais) via portões (gates) aprendíveis, evitando a necessidade de mecanismos de atenção total.
3. Ramo de Resíduo de Fourier de Baixo Posto (Low-Rank): Este ramo captura estruturas globais recorrentes (ex: ritmos diários, ciclos de controle). Em vez de um operador espectral completo, aplica um gargalo de baixo posto à representação de Fourier real da entrada. Os coeficientes espectrais decodificados são transformados de volta para o domínio do tempo e adicionados residualmente à entrada, atuando como uma correção compacta em vez de uma substituição da trajetória.
4. Portão de Fusão Aprendível: Um mecanismo de portão equilibra adaptativamente a evidência temporal local do ramo do tempo e as correções espectrais do ramo da frequência antes de mapear para o horizonte de previsão via uma cabeça linear.
5. Objetivo de Treinamento: O modelo é treinado usando a perda de Huber para reduzir a sensibilidade a picos de sensores e artefatos de manutenção, minimizando o erro apenas no canal alvo selecionado.

Principais Contribuições

1. Arquitetura: Uma nova arquitetura leve que combina modelagem de tendência–resíduo no domínio do tempo e correção de resíduo de Fourier de baixo posto, especificamente adaptada para a previsão de autocorrelação em águas residuais.
2. Protocolo de Avaliação: Um protocolo transparente que distingue explicitamente a previsão de histórico de alvo independente de canal da interação entre variáveis, esclarecendo a contribuição específica do aprendizado de representação temporal.
3. Benchmarking Abrangente: Uma avaliação multialvo e multihorizonte usando cinco sementes aleatórias, incluindo diagnósticos de persistência, perfil de tempo de execução e estudos de ablação.
4. Teste de Generalização: Uma validação externa em um conjunto de dados de N2O de alta resolução (diferente frequência de amostragem e estrutura de autocorrelação) para testar a transferibilidade do viés de tempo–frequência aprendido.

Resultos Experimentais
O modelo foi avaliado em dados reais de ETAR (Fósforo Total, Ortofosfato, Nitrogênio Total) e em um conjunto de dados externo de N2O.

• Precisão: Em 12 configurações de alvo–horizonte, o TSF-Resonator alcançou os melhores rankings médios para MAE e RMSE entre os modelos treináveis, mesmo quando comparado a uma linha de base de persistência de "sem mudança". Ele superou consistentemente outros baselines leves (DLinear, SparseTSF, MixLinear) e Transformers fortes (PatchTST, iTransformer) em muitos cenários, particularmente para indicadores relacionados ao fósforo.
• Eficiência: O modelo usa apenas 2.329 parâmetros treináveis, significativamente menos que o PatchTST (176k) e o iTransformer (79k). Mantém baixa latência de inferência, tornando-o adequado para monitoramento orientado à borda.
• Desempenho de Horizonte: O modelo mostrou desempenho robusto em horizontes médio-longos (24–96 horas), onde as linhas de base de persistência degradam. Para o Nitrogênio Total, demonstrou capacidades superiores de longo horizonte em comparação com competidores de curto horizonte.
• Validação Externa: No conjunto de dados externo de N2O, o modelo mostrou transferibilidade parcial, superando outros modelos leves em horizontes mais longos (ex: 192 minutos), embora o desempenho de curto horizonte tenha permanecido competitivo com a persistência e o PatchTST devido à alta autocorrelação do sinal.
• Ablação: A remoção do RevIN causou a queda de desempenho mais significativa, confirmando a importância da estabilização da distribuição. Verificou-se que tanto o ramo do tempo quanto o da frequência fornecem informações complementares e não redundantes.

Significância e Alegações
O artigo afirma que o TSF-Resonator demonstra que um viés indutivo de tempo–frequência compacto e adaptado ao domínio pode fornecer uma habilidade de previsão robusta que excede tanto a persistência simples quanto os fortes baselines leves. O estudo enfatiza que, para sensores industriais altamente autocorrelacionados, a interação explícita entre variáveis não é sempre necessária para alcançar resultados de estado da arte; em vez disso, uma representação bem estruturada do próprio histórico do alvo pode ser suficiente e mais eficiente.

Os autores posicionam o trabalho como uma solução "conservadora" e "implementável". Eles declaram explicitamente que o modelo não é um substituto universal para todos os previsores; é mais eficaz quando o objetivo de monitoramento prioriza a precisão além da extrapolação simples (ex: dinâmica de fósforo ou alertas de longo horizonte para nitrogênio) e quando os recursos computacionais são limitados. O artigo conclui que, embora o modelo seja adequado para o monitoramento online de águas residuais, testes em múltiplas plantas, estimativa de risco probabilístico e testes de robustez sob deriva de sensores são necessários antes de reivindicar confiabilidade de nível de implantação.