[发明专利]基于小波分析与混合模型的用水量趋势预测方法和系统

权利要求书

1.一种基于小波分析与混合模型的用水量趋势预测方法，其特征在于，包括：

步骤1：对用水量进行监测，获得原始时间序列数据，并通过数字信号处理技术进行小波去噪；

步骤2：将小波去噪后的时间序列数据添加到Prophet模型中，进行模型拟合构建；

步骤3：将小波去噪后的时间序列数据进行LSTM模型构建，对用水量进行预测；

步骤4：设置权值系数，将Prophet模型和LSTM模型进行整合，将预测结果进行集成。

2.根据权利要求1所述的基于小波分析与混合模型的用水量趋势预测方法，其特征在于，所述步骤1包括：通过小波分析法对用水量时序数据去噪，先对有噪声的监测数据进行预处理，然后进行分解监测到的用水量时序数据，采用设置门限阈值的方式处理小波系数，最后对数据进行重构。

3.根据权利要求1所述的基于小波分析与混合模型的用水量趋势预测方法，其特征在于，所述步骤2包括：对用水量时序数据进行曲线拟合，同时分析时序数据中的包括周期性、趋势性和节假日效应的时间序列特征；

先对用水量时序数据绘制数据趋势图，然后初始化Prophet模型，根据经验对变化点进行设置，提高增长趋势对变化的敏感程度，并指定相应的预测区间和预测频率；

将用水量时序数据整体按照8：2划分训练集和测试集，将训练集输入Prophet模型进行训练，通过均方根误差来度量用水量实际值与用水量预测值的差异程度，均方根误差值越小，拟合越好；

Prophet模型构建如下：

P(t)＝g(t)+s(t)+h(t)+ε(t)

其中，p(t)为Prophet模型的预测结果；g(t)是趋势函数，用来分析时间序列中的非周期性变化；s(t)代表周期性变化；h(t)代表包括节假日在内的情况带来的影响；ε(t)为随机波动，代表模型没有考虑到的误差影响；

趋势项、周期项、节日项计算公式如下：

趋势项：g(t)＝[m+α(t)δ]t+[b+α(t)^Tγ]

其中，m为增长率；α(t)为指数函数；δ为增长率的变化量；b为偏移量；γ为突变点边界；

周期项：

其中，P是时间序列的周期长度；N代表周期数；a_n、b_n是需要估计的参数；

节日项：

Z(t)＝(1|t∈D₁|,...,1|t∈D_L|)

k＝(k₁,...,k_L)^T

其中，i表示节假日；D_i表示窗口期中包含的时间t；k_i表示节假日对预测结果的影响；1表示D_i当前取值。

4.根据权利要求3所述的基于小波分析与混合模型的用水量趋势预测方法，其特征在于，所述步骤3包括：首先获取小波去噪后的用水量时间序列数据，对降噪后的用水量时序数据采用min-max归一化公式进行处理，再根据经验对LSTM模型进行初始化，给定随机种子数以及训练步数，并将归一化处理的用水量时间序列进行7：3训练集与测试集划分，将训练集进行模型训练，选用均方根误差公式计算误差，设定损失函数最小为优化目标，最后应用训练好的LSTM网络对测试集进行预测，输出预测结果L(t)。