[发明专利]基于深度学习神经网络的城市天级需水量在线预测方法

说明书

本发明公开了一种基于深度学习神经网络的城市天级需水量在线预测方法，包括：获取城市天级用水量原始时间序列数据；对异常数据进行预处理；对预处理之后的时间序列数据进行相关性分析；采用CNN‑Bi‑LSTM‑Self‑Attention方法，建立所述城市天级需水量预测模型；对节假日、异常气候建立基于统计专家库模型的纠偏机制；采用所述城市天级需水量在线预测方法进行实时预测；计算预测误差，如果所述预测误差没有到达所设定的预测误差的要求，对所述城市天级需水量预测模型进行改进。将CNN和Bi‑LSTM神经网络以及自注意力和纠偏机制进行结合，使得预测模型得到了较大的改善，提高了预测效果。

技术领域

本发明涉及城市短期需水量预测技术领域，尤其涉及一种基于深度学习神经网络的城市天级需水量在线预测方法。

背景技术

城市短期需水量预测作为供水智能调度当中的重要组成部分一直是研究的热点所在，通过对短期需水量预测来辅助城市供水调度，使得供水的效益实现最大化。同时也为城市供水管网的漏损检测提供了相关的数据支撑，为城市供水管网的智能化检测打下了基础。因此，城市短期需水量预测对于城市供水智能化以及提高城市供水的经济效益有着很重要的价值。

目前，国内和国际城市使用较多的需水量预测方法主要是多元线性回归，模拟退火，粒子群等方法，此类方法能够对不同时期，不同情况的需水量进行预测，但其模型的精确度和稳定性在实际的工业应用上仍然难以达到实际的要求。而对于春节、国庆等节假日期间，现有的模型预测效果不佳，不能满足实际应用。

此外，虽然对于城市短期需水量预测的研究已经很丰富了，但是结合深度学习长短期记忆(LSTM)神经网络和卷积神经网络(CNN)以及注意力机制的城市短期需水量预测的研究相对较少。这主要体现在：1、对于城市短期需水量预测研究主要集中在诸如SVM和ARIMA等传统的时间序列模型；2、即使是釆用深度学习的预测方法，结合CNN和双向长短期记忆(Bi-LSTM)神经网络进行城市短期需水量预测的研究比较缺乏；3、针对特殊情况下的城市短期需水量的研究并结合具体的气候和社会传统节假日建立对应纠偏机制的研究也相对不多；4、融入注意力机制的预测模型实现对时间序列的城市需水量预测的研究较少，而指向在线的工业应用的则更少。

综上所述，一种良好的城市天级需水量预测方法应该满足以下要求：1、模型构建可行且方便；2、能够应对特殊的节假日和异常的气象条件下城市需水量的预测；3、能够对实际工况条件下的异常数据、重复和缺失数据进行识别并进行处理；4、预测模型能够满足实际工程的需求，具有较好的泛化能力。

因此，本领域的技术人员致力于开发一种基于深度学习神经网络的城市天级需水量在线预测方法，结合深度学习建立了融合多影响因子构建了节假日和高温等气候下纠偏机制的城市短期需水量预测模型，满足了实际的工程应用需求，并将CNN和Bi-LSTM神经网络以及自注意力(Self-Attention)机制和纠偏机制进行结合，使得预测模型得到了较大的改善，提高了预测效果。

发明内容

有鉴于现有技术的上述缺陷，本发明所要解决的技术问题是如何在节假日和异常的气象条件下在线预测城市天级需水量和如何提高预测精确度。

为实现上述目的，本发明提供了一种基于深度学习神经网络的城市天级需水量在线预测方法，所述方法包括以下步骤：

步骤1、获取城市天级用水量原始时间序列数据：获取所要预测城市供水区域内在一时间段内的历史用水量数据；获取历史节假日数据、日最高气温、日最低气温以及天气种类数据；获取所要预测的未来七天的日最高气温、日最低气温和天气种类数据，判断未来七天是否有节假日，获得节假日数据；

步骤2、对所述历史用水量数据按照时标和数据的波动范围逐个判断是否为异常数据，对异常数据进行预处理，所述异常数据包括缺失数据、重复数据和跳变数据；

步骤3、对预处理之后的时间序列数据进行相关性分析；