[发明专利]一种基于DWT-PCA-LSTM的供水公司供水量预测装置

说明书

本发明公开了一种基于DWT‑PCA‑LSTM的供水公司供水量预测装置，包括：数据采集模块，用于通过采集城市中供水公司的日供水量数据，日供水量对应的气象数据以及节假日、工作日情况，生成日需水量数据的时间序列；数据预处理模块，用于进行日供水量数据时间序列的异常值去除和日供水量数据时间序列的降噪处理；预测变量确定模块，用于对数据预处理模块得到的日需水量数据的时间序列进行相关性分析，根据异常值去除后的时间序列和降噪序列计算残差序列，初步确定输入预测模型中的预测变量；数据预测模块，用于通过建立LSTM神经网络模型完成对未来供水量的预测。本发明通过深度学习方法来实现供水公司日供水量预测，能为供水公司提供供水调整依据。

技术领域

本发明涉及城市供水监测技术，尤其涉及一种基于DWT-PCA-LSTM的供水公司供水量预测装置。

背景技术

精确的城市需水量预测在构建城市智能供水系统中起着关键作用，高效可靠的智能供水系统能有效促进智慧城市的建设。对供水公司而言，有关供水方案、绿色节能以及水资源优化利用等决策活动都取决于需水量的预测。与此同时，精确的需水量预测结果也有助于供水质量的提升，可最大程度的减少水在管道中的存留时间，提高居民生活用水质量。

城市需水量数据具有较强的非线性和随机性，传统基于数学理论的线性预测方法，如ARIMA模型、MLR模型均无法较好的对历史数据中非线性部分进行学习，而实际工程中随机性事件的突发会使得数据源具有较强的非线性和随机性。

为了提高模型对数据中复杂成分的学习，一些非线性方法如支持向量机(SVM)、多重随机森林回归模型(MRFR)和人工神经网络(ANN)被广泛用于时间序列的预测，其中ANN模型随着近年来深度学习的崛起得到广泛应用。ANN模型属于一种基于数据驱动和非参数类型的方法，它能够通过自学习不断逼近输入历史数据中的非线性成分，然而ANN网络对于全局搜索能力较弱，在训练过程中容易陷入局部最优值。

为了提高模型的全局优化能力，一种改进后的深度学习网络，即循环神经网络(RNN)被用于解决ANN模型中全局搜索能力较弱的问题。RNN神经网络的输入不仅包括当前时刻的数据输入还包括上一时刻或下一时刻隐藏层的输出，具有较强的全局优化能力。然而由于训练过程中易出现梯度爆炸或梯度消失，使得RNN模型不具备长期依赖的能力，容易丢失序列中关键性的信息。

以上这些方法在一定程度上解决了时间序列的预测问题，但城市需水量历史数据具有较强的随机性波动且受季节因素的影响，具有一定程度的周期性，因此以上模型的预测效果仍然难以令人满意。

发明内容

本发明要解决的技术问题在于针对现有技术中的缺陷，提供一种基于DWT-PCA-LSTM的供水公司供水量预测装置。

本发明解决其技术问题所采用的技术方案是：一种基于DWT-PCA-LSTM的供水公司供水量预测装置，包括：

数据采集模块，用于通过采集城市中供水公司的日供水量数据，日供水量对应的气象数据以及节假日、工作日情况，生成日需水量数据的时间序列；所述气象数据包括：天气数据、当日的最高温度和最低温度；

数据预处理模块，用于进行日供水量数据时间序列的异常值去除和日供水量数据时间序列的降噪处理，获得异常值去除后的时间序列和降噪序列；

预测变量确定模块，用于对数据预处理模块得到的日需水量数据的时间序列进行相关性分析，根据异常值去除后的时间序列和降噪序列计算残差序列，初步确定输入预测模型中的预测变量；

数据预测模块，用于通过建立LSTM神经网络模型完成对未来供水量的预测。

按上述方案，所述数据采集模块中日供水量数据至少包括365个日供水量数据。