[发明专利]一种基于深度学习的城市日用水量预测方法

说明书

技术领域

本发明涉及一种城市日用水量预测方法，具体涉及一种基于深度学习的城市日用水量预测方法，属于用水量预测技术领域。

背景技术

实行最严格的水资源管理制度，目前的关键是解决用水效率的问题。而解决用水效率的关键则是对用水量的准确预测。用水量和节水潜力会随着时间与天气等条件的影响而发生变化，具有复杂性、非线性、时变性等特点。目前预测所使用的数学方法可以分为三类：时间序列法、结构分析法、系统分析法。时间序列方法可以细分为：确定型、随机概率型。但只是对历史数据的挖掘，在处理随机性因素造成的用水、节水变化异常情况时预测效果受限。结构分析方法在时间和数据关联的基础上添加其他相关因素如温度、降雨量、节假日等综合预测，但该方法中因素的选择对模型的精度影响较大。系统分析方法是一种以反馈控制理论为基础，以计算机仿真技术为手段，通常用以研究复杂的社会经济系统的定量方法。

神经网络具有较强的自组织、自学习及归纳与容错能力，且对非线性问题拟合效果较好，越来越多的用于解决预测问题，但是对于有问题的非凸优化，它仍然不能超过一个或两个隐藏层。近年来，Geoffrey Hinton等人(G.E.Hinton,S. Osindero,and Y.Teh,“A fast learning algorithm for deep belief nets,”Neural computation,vol.18,no.7,pp.1527–1554,2006)证明深度神经网络可以取得更佳的效果，其可以解决很多复杂问题。并且，正如文献(M.and L. Karlssonand A.Loutfi,“A review of unsupervised feature learning and deep learning for time-series modeling,”Pattern Recognition Letters,vol.42,pp.11–24,2014)所指出的:诸如限制波尔兹曼机器(RBM)、条件RBM，自动编码器(AE)、循环神经网络(RNN)等深度学习技术对时间序列数据建模的优点。然而，到目前为止，经典的深层神经网络栈式编码器Stacked Autoencoder(SAE，P.Vincent,H. Larochelle,I.Lajoie,Y.Bengio,and P.Manzagol,“Stacked denoising autoencoders: Learning useful representations in a deep network with a local denoising criterion,” Journal of Machine Learning Research,vol.11,no.Dec,pp.3371–3408,2010)在城市用水量预测中还没有被考虑过。

发明内容

本发明所要解决的技术问题是：提供一种基于深度学习的城市日用水量预测方法，采用栈式自编码器(SAE)和反向传播神经网络(BPNN)相结合的深度学习方法，同时利用了SAE的强大特征表征能力和BPNN的优越预测能力，实现城市日用水量的有效预测。

本发明为解决上述技术问题采用以下技术方案：

一种基于深度学习的城市日用水量预测方法，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。