[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

说明书

本发明提供了预测模型生成方法、系统、设备、存储介质及预测方法，用于包含多个节点的供水管网的流量预测，预测模型生成方法包括：获取所有节点的拓扑结构图像和多个历史流量值；构建邻接矩阵和特征矩阵，并得到训练集和测试集；采用简化图卷积神经网络和长短期记忆网络进行模型的训练，得到初始预测模型；将测试集输入训练后的初始预测模型，进行精度的评估；若精度达标，则初始预测模型即为预测模型。本发明提供的预测模型生成方法、系统、设备、存储介质及预测方法能够同时进行多个节点的流量预测；通过提取供水管网的节点流量数据的空间特征和时间特征，以及对初始预测模型进行精度评估，使得最终的预测模型得到的预测流量值更加准确。

技术领域

本发明涉及流量预测技术领域，特别是涉及预测模型生成方法、系统、设备、存储介质及预测方法。

背景技术

供水管网作为城市供水系统的关键组成部分，是连接用户与水资源的纽带，担负着输水、配水的重要任务，供水管网被誉为城市的“生命线”，保障供水管网的正常工作对保证国民经济发展、保障居民日常生活都有着举足轻重的作用；随着城市供水规模的不断扩大，供水管网运行的效率、水力和水质的安全稳定也受到越来越多的挑战，因此需要对供水管网的流量进行预测，以预防故障发生。

近年来，随着智慧水务的发展，供水管网的基础信息与运行监测数据得到不断完善，在智慧城市建设的语境下，人工智能技术为传统供水管网流量预测提供了新的解决思路，然而，常见的时间序列预测方法如自回归模型、自回归移动平均模型、灰色预测等都无法学习到时序数据的非线性特征；机器学习算法如支持向量机又容易收敛于局部最优；进一步的，为了提高预测结果的准确度，深度学习也被广泛使用，而现有的供水管网流量预测方法虽然能在结果上取得了不错的效果，但大多是基于单个流量节点进行预测，只考虑了数据时间维度的属性特性，而忽略了节点与节点之间的相关性，即供水管网流量数据的空间特征。

综上，现有技术中的供水管网预测方法存在只能基于单个流量节点进行预测、忽略供水管网流量数据的空间特征等问题。

发明内容

鉴于以上现有技术的缺点，本发明的目的在于提供预测模型生成方法、系统、设备、存储介质及预测方法，以改善现有技术中的只能基于单个流量节点进行预测、忽略供水管网流量数据的空间特征等技术问题。

为实现上述目的及其他相关目的，本发明提供一种预测模型生成方法，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，所述模型训练方法包括：

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。

在本发明一实施例中，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。

在本发明一实施例中，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。