[发明专利]预测模型生成方法、系统、设备、存储介质及预测方法

权利要求书

1.一种预测模型生成方法，其特征在于，所述预测模型用于供水管网的流量预测，所述供水管网包含多个节点，所述预测模型生成方法包括：

获取所有所述节点的拓扑结构图像和每个所述节点的多个历史流量值；

根据所述拓扑结构图像构建邻接矩阵；

根据每个所述节点的多个历史流量值构建特征矩阵，并根据所述特征矩阵处理得到训练集和测试集；

根据训练集和所述邻接矩阵，采用简化图卷积神经网络和长短期记忆网络进行训练，得到初始预测模型；

将测试集输入训练后的所述初始预测模型，并进行精度的评估；

若评估的结果为精度达标，则所述初始预测模型即为预测模型；

所述初始预测模型包括简化图卷积神经网络、长短期记忆网络和全连接层；

所述根据训练集和所述邻接矩阵，采用简化图卷积神经网络和长短期记忆网络进行训练，得到初始预测模型的步骤包括：

将训练集和所述邻接矩阵输入简化图卷积神经网络；

根据邻接矩阵，简化图卷积神经网络采用如下公式处理得到度矩阵；

其中：表示所述度矩阵；i表示所述邻接矩阵中的行数；j表示所述邻接矩阵中的列数；A表示所述邻接矩阵；I_N表示单位矩阵；

根据所述度矩阵，简化图卷积神经网络采用如下公式处理得到带有空间特征的历史流量值：

其中：f(x)表示带有空间特征的历史流量值；X表示归一化后的所述特征矩阵中的训练集；θ₁表示第一层简化图卷积神经网络的权重矩阵；θ₂表示第二层简化图卷积神经网络的权重矩阵；θ₃表示第三层简化图卷积神经网络的权重矩阵；

将带有空间特征的历史流量值通过激活函数，激活函数采用如下公式对带有空间特征的历史流量值进行处理：

其中：表示经激活函数处理后的带有空间特征的历史流量值；σ表示tanh激活函数；θ为可学习的权重矩阵；

将经激活函数处理后的带有空间特征的历史流量值输入长短期记忆网络，得到带有时间特征和空间特征的历史流量值；

将带有时间特征和空间特征的历史流量值输入全连接层，以进行所述初始预测模型的训练。

2.根据权利要求1所述的预测模型生成方法，其特征在于，所述根据所述拓扑结构图像构建邻接矩阵的步骤包括：

按照所述节点的数量确定所述邻接矩阵的行数和列数；

根据所述拓扑结构图像中各个节点间的连接关系，构建所述邻接矩阵。

3.根据权利要求1所述的预测模型生成方法，其特征在于，所述根据每个所述节点的多个历史流量值构建特征矩阵，并根据所述特征矩阵处理得到训练集和测试集的步骤包括：

构建所述特征矩阵：所述特征矩阵的行数为所述供水管网的节点的数量；列数为针对每个节点的所述历史流量值的采集数量；元素为历史流量值；

对所述特征矩阵进行归一化处理；

将归一化处理后的所述特征矩阵分为训练集和测试集。

4.根据权利要求1所述的预测模型生成方法，其特征在于，采用均方根误差、平均绝对百分比误差、平均绝对误差中的至少一种作为精度的评估的标准。

5.根据权利要求1所述的预测模型生成方法，其特征在于，所述将测试集输入训练后的所述初始预测模型，并进行精度的评估的步骤还包括：

若评估的结果为精度不达标，则继续根据所述训练集和所述邻接矩阵进行所述初始预测模型的训练。