城市短期需水量预测及泵站优化调度在维持供需平衡、节约能耗、管网安全运营等方面具有重要意义。本文以上海市青草沙智能调度运行管理系统为背景，建立基于改进型引力搜索算法-最小二乘支持向量机(Ameliorated Gravitational Search Algorithm-Least Squares-Support Veotor Maohine，AGSA-LS-SVM)的城市小时级需水量预测模型，并将其应用于上海市需水量预测；进一步建立了泵站水量调度模型，并采用遗传算法(Genetic Algorithms，GA)对调度模型进行调度寻优。　　本文首先对原始样本数据进行分析，掌握异常点类型。基于十分钟级流量变化平缓性，对于突变跳点数据，采用阈值约束及相邻值变化率阈值约束；采用基于线性插值方法解决单点数据缺失问题；针对长时间缺失数值的时间段，采用加权类均值调整法(Weighted Class-Mean，WCM)对缺失值进行填补，非过渡阶段该方法可以保持相对误差绝对值在3％左右，过渡阶段该方法可以保持相对误差绝对值在10%以内。采用SPSS软件对时用水量规律及其影响因素进行分析，基于相关性法则确定需水量预测模型的输入变量。　　其次采用AGSA对LS-SVM中的正规化参数和核参数进行寻优，利用标准测试函数理论测试其收敛速度及收敛精度性能。将AGSA-LS-SVM预测模型应用于上海市供水管网某支线的小时级水量预测，预测的平均相对误差小于2%。支线下级两家水厂的小时级水量预测显示，水厂1单点绝对误差小于2%的比例可达到80%左右，水厂2单点绝对误差小于2%的比例可达到90%左右，说明 AGSA-LS-SVM预测模型具有较好的泛化能力。建立城市时用水量预测辅助决策平台，以图表形式进行数据查询及分析。　　最后建立单个泵站的水量调度模型，将调度问题转化为一个单目标多约束的数学规划问题。采用基于双重编码的遗传算法进行模型寻优过程，并将其应用于泵站调度，寻优结果显示智能调度既有助于泵站安全运行，而且可节约大概2%的电能。