[发明专利]一种基于深度学习的城市日用水量预测方法

权利要求书

1.一种基于深度学习的城市日用水量预测方法，其特征在于，包括如下步骤：

步骤1，连续搜集N天的历史数据，包括日用水量、日最高温度、日降水量以及是否为节假日，并对搜集的历史数据做归一化预处理；利用前N-1天每日用水量、日最高温度、日降水量、是否为节假日作为输入数据，利用第N天的日用水量数据作为输出数据，构建用于训练的输入输出数据集；N为正整数；

步骤2，构建深度学习网络模型，包括输入层、K个隐层以及输出层；该模型由包含K-1个隐层的栈式自编码器和包含1个隐层的反向传播神经网络构成；K为大于2的正整数；

步骤3，随机初始化步骤2构建的深度学习网络模型的网络权重；

步骤4，将步骤1构建的输入输出数据集作为训练样本，通过逐层贪婪训练具有K-1个隐层的栈式自编码器，得到K-1个隐层的权重，将K-1个隐层的权重分别对应作为深度学习网络模型前K-1个隐层的网络权重；

步骤5，将栈式自编码器的输出作为反向传播神经网络的输入，通过反向传播算法对深度学习网络模型总共K+2层的网络权重进行调谐优化，得到训练完成的深度学习网络模型；

步骤6，获取测试样本，包括日用水量、日最高温度、日降水量以及是否为节假日，并对测试样本进行归一化处理，利用训练完成的深度学习网络模型对经归一化处理后的测试样本进行预测。

2.根据权利要求1所述基于深度学习的城市日用水量预测方法，其特征在于，步骤4所述逐层贪婪训练具有K-1个隐层的栈式自编码器，具体为：逐层贪婪训练具有K-1个隐层的栈式自编码器即为训练K-1个稀疏自编码器，将前一个稀疏自编码器隐藏层的输出作为后一个稀疏自编码器的输入，第一个稀疏自编码器的输入为前N-1天日用水量、日最高温度、日降水量、是否为节假日。

3.根据权利要求2所述基于深度学习的城市日用水量预测方法，其特征在于，所述稀疏自编码器包括输入层、隐藏层、输出层。

4.根据权利要求1所述基于深度学习的城市日用水量预测方法，其特征在于，步骤2所述深度学习网络模型为：在包含K-1个隐层的栈式自编码器基础上再连接包含1个隐层的反向传播神经网络，构成深度学习网络模型的整个网络结构。

5.根据权利要求1所述基于深度学习的城市日用水量预测方法，其特征在于，步骤1所述N为大于3的正整数。