[发明专利]一种基于深度学习的城市日用水量预测方法

摘要

本发明公开了一种基于深度学习的城市日用水量预测方法，该方法以前一段时间每日用水量、日最高温度、日降水量、当月用水量占全年比、节假情况等数据为输入层数据，通过逐层贪婪训练包含K‑1个隐层的栈式自编码器（SAE），获得每层的权重，SAE的输出可以认为是数据的非线性、紧凑的特征表示；由于预测过程也是一个非线性的过程，本发明在包含K‑1个隐层的SAE基础上在连接一个反向传播神经网络（BPNN）而不是直接使用SAE输出的特征进行预测。同时通过反向传播算法对整个K+2层的网络权重进行调谐优化，从而完成深度学习网络的训练。本发明同时利用了SAE的强大特征表征能力和BPNN的优越预测能力，提高了城市日用水量预测的准确度。

主权项

一种基于深度学习的城市日用水量预测方法，其特征在于，包括如下步骤：步骤1，连续搜集N天的历史数据，包括日用水量、日最高温度、日降水量以及是否为节假日，并对搜集的历史数据做归一化预处理；利用前N‑1天每日用水量、日最高温度、日降水量、是否为节假日作为输入数据，利用第N天的日用水量数据作为输出数据，构建用于训练的输入输出数据集；N为正整数；步骤2，构建深度学习网络模型，包括输入层、K个隐层以及输出层；该模型由包含K‑1个隐层的栈式自编码器和包含1个隐层的反向传播神经网络构成；K为大于2的正整数；步骤3，随机初始化步骤2构建的深度学习网络模型的网络权重；步骤4，将步骤1构建的输入输出数据集作为训练样本，通过逐层贪婪训练具有K‑1个隐层的栈式自编码器，得到K‑1个隐层的权重，将K‑1个隐层的权重分别对应作为深度学习网络模型前K‑1个隐层的网络权重；步骤5，将栈式自编码器的输出作为反向传播神经网络的输入，通过反向传播算法对深度学习网络模型总共K+2层的网络权重进行调谐优化，得到训练完成的深度学习网络模型；步骤6，获取测试样本，包括日用水量、日最高温度、日降水量以及是否为节假日，并对测试样本进行归一化处理，利用训练完成的深度学习网络模型对经归一化处理后的测试样本进行预测。