CN105956690A - 一种供水预测方法及系统 - Google Patents

Abstract

本发明公开了一种供水预测方法及系统，方法包括：分析历史数据并建立供水预测模型，得到输入层参数与输出层输出的供水量之间的函数关系；根据建立的供水预测模型和所需预测日期进行实时供水量预测；分析历史数据并建立供水预测模型的过程包括但不限于采用移动平均法对输入的历史数据进行预处理过程，采用神经网络算法确定供水预测模型的网络拓扑结构过程，根据预处理后的历史数据以及相应的网络拓扑结构确定供水预测模型过程。本发明综合采用了移动平均法和神经网络算法来进行供水量预测，计算的复杂度低，具有明显的周期性和强非线性，实时性好，能准确描述各种因素对供水量的影响，能加快神经网络模型的收敛速度，可广泛应用于供水分析领域。

Description

一种供水预测方法及系统

技术领域

本发明涉及供水分析领域，尤其是一种供水预测方法及系统。

背景技术

城市供水量预测是指利用过去已有的信息去推求未来某一段时间的城市供水负荷。城市供水量预测是城市供水系统规划建设和改造优化的重要前期工作，它的准确性与否将直接影响到工程量大小、工程费用、调度决策的可靠性和实用性。

城市供水量预测从时间上分类大致分为两种：短期供水量预测及中长期供水量预测。前者是指根据历史的供水量数据结合影响短期供水量的各种因素对未来较短时间段的供水量进行预测(如小时预测、日预测或周预测)，短期预测的目的是为供水系统的优化调度管理服务；后者是指根据历史的供水量数据结合影响中长期供水量的各种因数对未来一年甚至几年的城市供水量进行预测，中长期预测主要为未来长期的规划和城市供水管网改造服务。城市供水量预测从空间上分类大致分为两种：城市总供水量预测及节点供水量预测，前者服务于宏观调度；后者服务为城市供水量分配的微观调度。

优化调度供水量预测的方法一般分为两大类：解释性预测方法(即回归分析方法)和时间序列分析方法，前者认为系统的输入参数与输出结果之间存在着某种复杂的因果关系，故以此关系来构造预测模型进行预测，该类模型对输入参数的精度及可靠性要求较高；后者是把系统看作一个暗箱，可以不管其影响因素，而只关心预测和预测的结果，其预测过程只依赖于历史观测数据。

供水量预测的方法有很多，比较常用的有：指数平滑模型、移动平均(即MA)模型、自回归(即AR)预测模型、灰色预测模型和神经网络预测等。然而，现有的这些供水量预测方法存在着较大的缺陷或不足：指数平滑模型需要的数据量大，计算复杂高；移动平均(MA)模型在周期的选择上存在一定的困难性，非线性的特征被一定程度的削弱；自回归(AR)预测模型具有明显的滞后性，当实际数据发生异常变化时，预测数据因模型的平滑作用而无法反应出异常变化，使得其在预测一些异常值时造成较大误差甚至失真；灰色预测模型很难准确描述各种因素对供水量的影响；传统的神经网络模型收敛慢，容易陷入局部最小值的情形。

发明内容

为解决上述技术问题，本发明的目的在于：提供一种计算复杂度低、实时、预测精度高、能准确描述各种因素和收敛快的，对供水量的影响供水预测方法。

本发明的另一目的在于：提供一种计算简单、实时、预测精度高、能准确描述各种因素和收敛快的，供水预测系统。

本发明所采取的技术方案是：

一种供水预测方法，包括以下步骤：

S1、分析历史数据并建立供水预测模型，得到输入层参数与输出层输出的供水量之间的函数关系；

S2、根据建立的供水预测模型和所需预测日期进行实时供水量预测；

所述分析历史数据并建立供水预测模型的过程包括但不限于采用移动平均法对输入的历史数据进行预处理过程，采用神经网络算法确定供水预测模型的网络拓扑结构过程，根据预处理后的历史数据以及相应的网络拓扑结构确定供水预测模型过程。

进一步，所述步骤S1包括：

S11、根据供水过程的特性确定供水预测模型的输入参数；

S12、采用移动平均法对输入的历史数据进行预处理；

S13、采用三层BP神经网络模型建立供水预测模型的网络拓扑结构；

S14、确定三层BP神经网络模型的计算参数；

S15、根据预处理后的历史数据以及三层BP神经网络模型相应的网络拓扑结构进行训练，然后根据训练的结果确定供水预测模型。

进一步，所述步骤S12包括：

S121、对初始样本中输入的历史数据进行平滑处理，得到去除突变异常点后的样本数据，所述突变异常点满足：

$Q_{\ln }-\frac{\underset{1}{\overset{N}{\mathrm{\Σ}}}{Q}_{\ln }}{n}>3*\mathrm{\σ}\left(Q\right),$

其中，Q_ln为第n个样本的历史供水量值，n＝1，2，…，N；N为最大样本数，σ(Q)

为历史供水量样本的均方差，σ(Q)的计算公式为：

$\mathrm{\σ}\left(Q\right)={\left(\frac{\underset{1}{\overset{N}{\mathrm{\Σ}}}{(Q_{\ln }-\frac{\underset{1}{\overset{N}{\mathrm{\Σ}}}{Q}_{\ln }}{n})}^2}{n}\right)}^{1/2};$

S122、对去除突变异常点后的样本数据中小范围内的波动点和斜率突然变化的样本点进行优化，得到优化后的样本数据；

S123、对优化后的样本数据进行移动平均处理，所述移动平均处理所采用的公式为：

$\stackrel{\‾}{x_q}=\frac{x_q+x_{q+1}+\mathrm{......}{x}_{q+j-1}}{h},(q=1,\mathrm{2.......},N-h+1),$

其中，x_q为优化后的样本数据中第q个样本的样本值，为优化后的样本数据中第q个样本的移动平均值，h为移动平均的周期数；

S124、对移动平均处理后的所有样本数据进行归一化处理，所述归一化处理所采用的公式为：

${\tilde{x}}_j^{\left(p\right)}=\frac{({\tilde{x}}_{j\max }-{\tilde{x}}_{j\min })x_j^{\left(p\right)}}{x_{j\max }-x_{j\min }}+({\tilde{x}}_{j\max }-\frac{({\tilde{x}}_{j\max }-{\tilde{x}}_{j\min })x_{j\max }}{x_{j\max }-x_{j\min }}),$

其中，和分别为移动平均处理后的所有样本中第j个字段归一化处理前的值和归一化处理后的值，x_jmax和分别表示所有样本中第j个字段归一化处理前的最大值和归一化处理后的最大值，x_jmin和分别表示所有样本中第j个字段归一化处理前的最小值和归一化处理后的最小值，的取范围为[0，1]。

进一步，所述供水预测模型的输入参数包括但不限于历史用水量、天气情况、温度、湿度、节假日情况、工业情况、城镇居民生活条件、人口和GDP中的任意一种或多种，每个参数构成输入层的一个节点，输出层输出第二天的供水量，并采用相关性分析的方法对输入参数进行分析，计算各参数与供水量的之间的相关系数及各参数对供水量的贡献率，然后选取与供水量相关系数高的参数作为影响日供水量的主要因子，并设定阈值作为神经网络流出神经元的控制量；所述神经网络算法采用神经元为基本处理单元，所述神经元为多输入、单输出的非线性器件；所述三层BP神经网络模型的计算参数包括但不限于各层神经元之间的权值、神经元中的激励函数及数据流出神经元的阈值，所述各层神经元之间的权值以及数据流出神经元的阈值由random函数随机生成的20种初始的权值矩阵和阈值输入三层BP神经网络模型计算而来，所述初始的权值和阈值均在(0，1)之间随机取值，所述神经元中的激励函数采用Log-Sigmoid函数：

进一步，所述供水预测模型以三层BP神经网络作为网络拓扑结构，所述输入层与输出层之间设置有隐含层，所述三层BP神经网络的输入层数目n₁、输出层数目m和隐含层数目n₂满足：n₂＝sqrt(n₁+m)+a，其中，sqrt函数为平方根函数，a为常数，且a取1到10的自然数；所述隐含层的节点根据输入层的节点数确定并通过增减节点数进行训练对比，所述神经网络算法中每层的输出函数为输入函数关于该层的激发函数的函数；若所述输出层的输出结果与期望值不符，将输出层的误差转化为各层各个节点的连接权值与阈值的误差，将输出层的误差逐层向输入层反向传递，把误差分摊到各个节点，计算各个节点的参考误差，并调整各个节点的连接权值及阈值大小，直到误差最小。

进一步，所述步骤S15具体为：

根据预处理后的历史数据以及三层BP神经网络模型相应的网络拓扑结构采用训练精度模式、学习次数模式或者两种模式的结合进行训练，然后根据训练的结果确定供水预测模型；

其中，采用训练精度模式进行训练包括如下步骤：根据三层BP神经网络的网络拓扑结构计算网络误差，计算训练过程的总误差，判断总误差是否达到设定精度，当判断没有达到精度时重复上述步骤直至达到设定精度，根据网络误差修改网络权重并完成训练；所述采用学习次数模式进行训练包括如下步骤：根据三层BP神经网络模型的网络拓扑结构计算网络误差，根据计算的网络误差修改网络权重，将训练次数加1，判断是否达到最大训练次数，若判断没有达到最大训练次数则重复上述步骤直至达到最大训练次数完成训练；采用训练精度模式结合学习次数模式进行训练包括如下步骤：根据三层BP神经网络模型的网络拓扑结构正向传播计算网络误差，计算训练过程的总误差，判断总误差是否达到设定精度，判断是否达到最大训练次数，当判断没有达到精度时或没有达到最大训练次数时重复上述步骤直至达到设定精度和最大训练次数，根据网络误差修改网络权重；

所述训练过程的总误差为所有含有预处理后的历史数据样本误差的均方差之和；

所述训练过程采用改进的变步长梯度下降法修正各个节点的权值及误差，各个节点当前时刻的权值修正量Δw(t)为：Δw(t)＝ηδ+αΔw(t-1)，其中，Δw(t-1)为各个节点上一时刻的权值修正量，δ为各个节点理论计算得到的权值修正量，α为动量系数，且α∈(0,1)，η为自适应调节学习率，η的调整方式为：先设定初始步长，若进行一次迭代后节点的误差增大，则将步长和η均乘以小于1的调节因子β，然后沿原方向重新进行下一次迭代；若进行一次迭代后节点的误差减小，则将步长和η均乘以大于1的调节因子θ，然后沿原方向重新进行下一次迭代。

进一步，所述步骤S2包括：

S21、输入预测所需的参数。

S22、判断所需预测日期是否与上一次预测日期一致，若是，则根据输入的参数和上一次预测日期的供水预测模型正向计算所需预测日期的供水量，反之，则在执行步骤S15更新供水预测模型后正向计算所需预测日期的供水量；

S23、判断所需预测日期是否为节假日，若是，则以历史当日的数据作为参考数据重新预测所需预测日期的供水量，并将重新预测的供水量进行输出；反之，则直接输出步骤S22计算出的预测供水量。

本发明所采取的另一技术方案是：

一种供水预测系统，包括：

建模模块，用于分析历史数据并建立供水预测模型，得到输入层参数与输出层输出的供水量之间的函数关系；

预测模块，用于根据建立的供水预测模型和所需预测日期进行实时供水量预测；

所述分析历史数据并建立供水预测模型的过程包括但不限于采用移动平均法对输入的历史数据进行预处理过程，采用神经网络算法确定供水预测模型的网络拓扑结构过程，根据预处理后的历史数据以及相应的网络拓扑结构确定供水预测模型过程；

所述建模模块的输出端与预测模块的输入端连接。

进一步，所述建模模块包括：

输入参数确定单元，用于根据供水过程的特性确定供水预测模型的输入参数；

预处理单元，用于采用移动平均法对输入的历史数据进行预处理；

拓扑结构建立单元，用于采用三层BP神经网络模型建立供水预测模型的网络拓扑结构；

计算参数确定单元，用于确定三层BP神经网络模型的计算参数；

训练单元，用于根据预处理后的历史数据以及三层BP神经网络模型相应的网络拓扑结构进行训练，然后根据训练的结果确定供水预测模型；

所述输入参数确定单元的输出端依次通过预处理单元、拓扑结构建立单元、计算参数确定单元和训练单元进而与预测模块的输入端连接。

进一步，所述预处理单元包括：

平滑处理子单元，用于对初始样本中输入的历史数据进行平滑处理，得到去除突变异常点后的样本数据，所述突变异常点满足：

$Q_{\ln }-\frac{\underset{1}{\overset{N}{\mathrm{\Σ}}}{Q}_{ln}}{n}>3*\mathrm{\σ}\left(Q\right),$

其中，Q_ln为第n个样本的历史供水量值，n＝1，2，…，N；N为最大样本数，σ(Q)

为历史供水量样本的均方差，σ(Q)的计算公式为：

$\mathrm{\σ}\left(Q\right)={\left(\frac{\underset{1}{\overset{N}{\mathrm{\Σ}}}{(Q_{\ln }-\frac{\underset{1}{\overset{N}{\mathrm{\Σ}}}{Q}_{\ln }}{n})}^2}{n}\right)}^{1/2};$

优化子单元，用于对去除突变异常点后的样本数据中小范围内的波动点和斜率突然变化的样本点进行优化，得到优化后的样本数据；

移动平均处理子单元，用于对优化后的样本数据进行移动平均处理，所述移动平均处理所采用的公式为：

$\stackrel{\‾}{x_q}=\frac{x_q+x_{q+1}+\mathrm{......}{x}_{q+j-1}}{h},(q=1,\mathrm{2.......},N-h+1),$

其中，x_q为优化后的样本数据中第q个样本的样本值，为优化后的样本数据中第q个样本的移动平均值，h为移动平均的周期数；

归一化处理子单元，用于对移动平均处理后的所有样本数据进行归一化处理，所述归一化处理所采用的公式为：

${\tilde{x}}_j^{\left(p\right)}=\frac{({\tilde{x}}_{j\max }-{\tilde{x}}_{j\min })x_j^{\left(p\right)}}{x_{j\max }-x_{j\min }}+({\tilde{x}}_{j\max }-\frac{({\tilde{x}}_{j\max }-{\tilde{x}}_{j\min })x_{j\max }}{x_{j\max }-x_{j\min }}),$

其中，和分别为移动平均处理后的所有样本中第j个字段归一化处理前的值和归一化处理后的值，x_jmax和分别表示所有样本中第j个字段归一化处理前的最大值和归一化处理后的最大值，x_jmin和分别表示所有样本中第j个字段归一化处理前的最小值和归一化处理后的最小值，的取范围为[0，1]；

所述输入参数的输出端确定单元依次通过平滑处理子单元、优化子单元、移动平均处理子单元和归一化处理子单元进而与拓扑结构建立单元的输入端连接。

本发明的方法的有益效果是：分析历史数据并建立供水预测模型的过程包括但不限于采用移动平均法对输入的历史数据进行预处理过程以及采用神经网络算法确定供水预测模型的网络拓扑结构过程，综合采用了移动平均法和神经网络算法来进行供水量预测，能够利用较少的历史数据精确预测出未来的供水量，计算的复杂度低；结合神经网络算法来进行预测，有效克服了单一移动平均算法周期选择困难和非线性特征弱的缺点，具有明显的周期性和强非线性；采用了移动平均法，去掉了部分噪音，提高了样本的精度；采用了神经网络算法，能实时反应出实际数据的异常变化，实时性好，且能准确描述各种因素对供水量的影响；结合了移动平均法，能加快神经网络模型的收敛速度。

本发明的系统的有益效果是：建模模块分析历史数据并建立供水预测模型的过程包括但不限于采用移动平均法对输入的历史数据进行预处理过程以及采用神经网络算法确定供水预测模型的网络拓扑结构过程，综合采用了移动平均法和神经网络算法来进行供水量预测，能够利用较少的历史数据精确预测出未来的供水量，计算的复杂度低；结合神经网络算法来进行预测，有效克服了单一移动平均算法周期选择困难和非线性特征弱的缺点，具有明显的周期性和强非线性；采用了移动平均法，去掉了部分噪音，提高了样本的精度；采用了神经网络算法，能实时反应出实际数据的异常变化，实时性好，且能准确描述各种因素对供水量的影响；结合了移动平均法，能加快神经网络模型的收敛速度。

附图说明

图1为本发明一种供水预测方法的整体流程图；

图2为本发明一种供水预测系统的结构框图；

图3为本发明实施例二进行建模的流程图；

图4为本发明的实施例二采用训练精度模式结合训练次数进行训练的流程图；

图5为本发明实施例二根据训练得到的预测模型进行供水预测的流程图。

具体实施方式

参照图1，一种供水预测方法，包括以下步骤：

S1、分析历史数据并建立供水预测模型，得到输入层参数与输出层输出的供水量之间的函数关系；

S2、根据建立的供水预测模型和所需预测日期进行实时供水量预测；

所述分析历史数据并建立供水预测模型的过程包括但不限于采用移动平均法对输入的历史数据进行预处理过程，采用神经网络算法确定供水预测模型的网络拓扑结构过程，根据预处理后的历史数据以及相应的网络拓扑结构确定供水预测模型过程。

进一步作为优选的实施方式，所述步骤S1包括：

S11、根据供水过程的特性确定供水预测模型的输入参数；

S12、采用移动平均法对输入的历史数据进行预处理；

S13、采用三层BP神经网络模型建立供水预测模型的网络拓扑结构；

S14、确定三层BP神经网络模型的计算参数；

S15、根据预处理后的历史数据以及三层BP神经网络模型相应的网络拓扑结构进行训练，然后根据训练的结果确定供水预测模型。

进一步作为优选的实施方式，所述步骤S12包括：

S121、对初始样本中输入的历史数据进行平滑处理，得到去除突变异常点后的样本数据，所述突变异常点满足：

$Q_{\ln }-\frac{\underset{1}{\overset{N}{\mathrm{\Σ}}}{Q}_{ln}}{n}>3*\mathrm{\σ}\left(Q\right),$

其中，Q_ln为第n个样本的历史供水量值，n＝1，2，…，N；N为最大样本数，σ(Q)为历史供水量样本的均方差，σ(Q)的计算公式为：

$\mathrm{\σ}\left(Q\right)={\left(\frac{\underset{1}{\overset{N}{\mathrm{\Σ}}}{(Q_{\ln }-\frac{\underset{1}{\overset{N}{\mathrm{\Σ}}}{Q}_{\ln }}{n})}^2}{n}\right)}^{1/2};$

S122、对去除突变异常点后的样本数据中小范围内的波动点和斜率突然变化的样本点进行优化，得到优化后的样本数据；

S123、对优化后的样本数据进行移动平均处理，所述移动平均处理所采用的公式为：

$\stackrel{\‾}{x_q}=\frac{x_q+x_{q+1}+\mathrm{......}{x}_{q+j-1}}{h},(q=1,\mathrm{2.......},N-h+1),$

其中，x_q为优化后的样本数据中第q个样本的样本值，为优化后的样本数据中第q个样本的移动平均值，h为移动平均的周期数；

S124、对移动平均处理后的所有样本数据进行归一化处理，所述归一化处理所采用的公式为：

${\tilde{x}}_j^{\left(p\right)}=\frac{({\tilde{x}}_{j\max }-{\tilde{x}}_{j\min })x_j^{\left(p\right)}}{x_{j\max }-x_{j\min }}+({\tilde{x}}_{j\max }-\frac{({\tilde{x}}_{j\max }-{\tilde{x}}_{j\min })x_{j\max }}{x_{j\max }-x_{j\min }}),$

其中，和分别为移动平均处理后的所有样本中第j个字段归一化处理前的值和归一化处理后的值，x_jmax和分别表示所有样本中第j个字段归一化处理前的最大值和归一化处理后的最大值，x_jmin和分别表示所有样本中第j个字段归一化处理前的最小值和归一化处理后的最小值，的取范围为[0，1]。

进一步作为优选的实施方式，所述供水预测模型的输入参数包括但不限于历史用水量、天气情况、温度、湿度、节假日情况、工业情况、城镇居民生活条件、人口和GDP中的任意一种或多种，每个参数构成输入层的一个节点，输出层输出第二天的供水量，并采用相关性分析的方法对输入参数进行分析，计算各参数与供水量的之间的相关系数及各参数对供水量的贡献率，然后选取与供水量相关系数高的参数作为影响日供水量的主要因子，并设定阈值作为神经网络流出神经元的控制量；所述神经网络算法采用神经元为基本处理单元，所述神经元为多输入、单输出的非线性器件；所述三层BP神经网络模型的计算参数包括但不限于各层神经元之间的权值、神经元中的激励函数及数据流出神经元的阈值，所述各层神经元之间的权值以及数据流出神经元的阈值由random函数随机生成的20种初始的权值矩阵和阈值输入三层BP神经网络模型计算而来，所述初始的权值和阈值均在(0，1)之间随机取值，所述神经元中的激励函数采用Log-Sigmoid函数：

进一步作为优选的实施方式，所述供水预测模型以三层BP神经网络作为网络拓扑结构，所述输入层与输出层之间设置有隐含层，所述三层BP神经网络的输入层数目n₁、输出层数目m和隐含层数目n₂满足：n₂＝sqrt(n₁+m)+a，其中，sqrt函数为平方根函数，a为常数，且a取1到10的自然数；所述隐含层的节点根据输入层的节点数确定并通过增减节点数进行训练对比，所述神经网络算法中每层的输出函数为输入函数关于该层的激发函数的函数；若所述输出层的输出结果与期望值不符，将输出层的误差转化为各层各个节点的连接权值与阈值的误差，将输出层的误差逐层向输入层反向传递，把误差分摊到各个节点，计算各个节点的参考误差，并调整各个节点的连接权值及阈值大小，直到误差最小。

进一步作为优选的实施方式，所述步骤S15具体为：

根据预处理后的历史数据以及三层BP神经网络模型相应的网络拓扑结构采用训练精度模式、学习次数模式或者两种模式的结合进行训练，然后根据训练的结果确定供水预测模型；

其中，采用训练精度模式进行训练包括如下步骤：根据三层BP神经网络的网络拓扑结构计算网络误差，计算训练过程的总误差，判断总误差是否达到设定精度，当判断没有达到精度时重复上述步骤直至达到设定精度，根据网络误差修改网络权重并完成训练；所述采用学习次数模式进行训练包括如下步骤：根据三层BP神经网络模型的网络拓扑结构计算网络误差，根据计算的网络误差修改网络权重，将训练次数加1，判断是否达到最大训练次数，若判断没有达到最大训练次数则重复上述步骤直至达到最大训练次数完成训练；采用训练精度模式结合学习次数模式进行训练包括如下步骤：根据三层BP神经网络模型的网络拓扑结构正向传播计算网络误差，计算训练过程的总误差，判断总误差是否达到设定精度，判断是否达到最大训练次数，当判断没有达到精度时或没有达到最大训练次数时重复上述步骤直至达到设定精度和最大训练次数，根据网络误差修改网络权重；

所述训练过程的总误差为所有含有预处理后的历史数据样本误差的均方差之和；

所述训练过程采用改进的变步长梯度下降法修正各个节点的权值及误差，各个节点当前时刻的权值修正量Δw(t)为：Δw(t)＝ηδ+αΔw(t-1)，其中，Δw(t-1)为各个节点上一时刻的权值修正量，δ为各个节点理论计算得到的权值修正量，α为动量系数，且α∈(0,1)，η为自适应调节学习率，η的调整方式为：先设定初始步长，若进行一次迭代后节点的误差增大，则将步长和η均乘以小于1的调节因子β，然后沿原方向重新进行下一次迭代；若进行一次迭代后节点的误差减小，则将步长和η均乘以大于1的调节因子θ，然后沿原方向重新进行下一次迭代。

进一步作为优选的实施方式，所述步骤S2包括：

S21、输入预测所需的参数。

S22、判断所需预测日期是否与上一次预测日期一致，若是，则根据输入的参数和上一次预测日期的供水预测模型正向计算所需预测日期的供水量，反之，则在执行步骤S15更新供水预测模型后正向计算所需预测日期的供水量；

S23、判断所需预测日期是否为节假日，若是，则以历史当日的数据作为参考数据重新预测所需预测日期的供水量，并将重新预测的供水量进行输出；反之，则直接输出步骤S22计算出的预测供水量。

参照图2，一种供水预测系统，包括：

建模模块，用于分析历史数据并建立供水预测模型，得到输入层参数与输出层输出的供水量之间的函数关系；

预测模块，用于根据建立的供水预测模型和所需预测日期进行实时供水量预测；

所述分析历史数据并建立供水预测模型的过程包括但不限于采用移动平均法对输入的历史数据进行预处理过程，采用神经网络算法确定供水预测模型的网络拓扑结构过程，根据预处理后的历史数据以及相应的网络拓扑结构确定供水预测模型过程；

所述建模模块的输出端与预测模块的输入端连接。

参照图2，进一步作为优选的实施方式，所述建模模块包括：

输入参数确定单元，用于根据供水过程的特性确定供水预测模型的输入参数；

预处理单元，用于采用移动平均法对输入的历史数据进行预处理；

拓扑结构建立单元，用于采用三层BP神经网络模型建立供水预测模型的网络拓扑结构；

计算参数确定单元，用于确定三层BP神经网络模型的计算参数；

训练单元，用于根据预处理后的历史数据以及三层BP神经网络模型相应的网络拓扑结构进行训练，然后根据训练的结果确定供水预测模型；

所述输入参数确定单元的输出端依次通过预处理单元、拓扑结构建立单元、计算参数确定单元和训练单元进而与预测模块的输入端连接。

参照图2，进一步作为优选的实施方式，所述预处理单元包括：

平滑处理子单元，用于对初始样本中输入的历史数据进行平滑处理，得到去除突变异常点后的样本数据，所述突变异常点满足：

$Q_{\ln }-\frac{\underset{1}{\overset{N}{\mathrm{\Σ}}}{Q}_{ln}}{n}>3*\mathrm{\σ}\left(Q\right),$

其中，Q_ln为第n个样本的历史供水量值，n＝1，2，…，N；N为最大样本数，σ(Q)

为历史供水量样本的均方差，σ(Q)的计算公式为：

$\mathrm{\σ}\left(Q\right)={\left(\frac{\underset{1}{\overset{N}{\mathrm{\Σ}}}{(Q_{\ln }-\frac{\underset{1}{\overset{N}{\mathrm{\Σ}}}{Q}_{\ln }}{n})}^2}{n}\right)}^{1/2};$

优化子单元，用于对去除突变异常点后的样本数据中小范围内的波动点和斜率突然变化的样本点进行优化，得到优化后的样本数据；

移动平均处理子单元，用于对优化后的样本数据进行移动平均处理，所述移动平均处理所采用的公式为：

$\stackrel{\‾}{x_q}=\frac{x_q+x_{q+1}+\mathrm{......}{x}_{q+j-1}}{h},(q=1,\mathrm{2.......},N-h+1),$

其中，x_q为优化后的样本数据中第q个样本的样本值，为优化后的样本数据中第q个样本的移动平均值，h为移动平均的周期数；

归一化处理子单元，用于对移动平均处理后的所有样本数据进行归一化处理，所述归一化处理所采用的公式为：

${\tilde{x}}_j^{\left(p\right)}=\frac{({\tilde{x}}_{j\max }-{\tilde{x}}_{j\min })x_j^{\left(p\right)}}{x_{j\max }-x_{j\min }}+({\tilde{x}}_{j\max }-\frac{({\tilde{x}}_{j\max }-{\tilde{x}}_{j\min })x_{j\max }}{x_{j\max }-x_{j\min }}),$

其中，和分别为移动平均处理后的所有样本中第j个字段归一化处理前的值和归一化处理后的值，x_jmax和分别表示所有样本中第j个字段归一化处理前的最大值和归一化处理后的最大值，x_jmin和分别表示所有样本中第j个字段归一化处理前的最小值和归一化处理后的最小值，的取范围为[0，1]；

所述输入参数的输出端确定单元依次通过平滑处理子单元、优化子单元、移动平均处理子单元和归一化处理子单元进而与拓扑结构建立单元的输入端连接。

下面结合说明书附图和具体实施例对本发明作进一步详细说明。

实施例一

为了克服现有供水预测所存在的问题，本发明提出了一种由移动平均法与神经网络预测方法相结合而成的供水预测方法，该方法能够较精确反映出城市供水的规律性；能够利用较少的历史数据精确预测出未来的供水量，同时在外界条件变化的情况下能保持较高的预测精度且能提供自动更新校核的智能供水量预测模型。该方法主要包括建模步骤和实时预测步骤这两大部分。

其中，建模步骤分析历史数据并建立供水预测模型，建立输入层参数与输出层输出的供水量之间的函数关系。实时预测步骤根据建模步骤建立的供水预测模型以及输入参数实时预测目标预测日期的供水量。

建模步骤包括：根据供水过程的特性确定供水预测模型的输入参数、对输入的历史数据预处理、确定BP神经网络的拓扑结构，确定供水预测模型的计算参数，根据输入历史数据结合相应的网络拓扑结构进行训练，并根据训练结果确定供水预测模型。

(1)确定供水预测模型的输入参数。

建模步骤的输入参数包括历史用水量、天气情况、温度、湿度、节假日情况、工业情况，城镇居民生活条件，人口和GDP中的任意一种或多种。采用相关性分析的方法对上述输入因子进行分析，计算各因素与供水量间的相关系数及各因素对供水量的贡献率，并选取与供水量相关系数较高的因素作为影响日供水量的主要因子。每个参数构成输入层的一个节点，输出层输出预测日期(如第二天)的供水量，神经网络算法采用神经元为基本处理单元，神经元为多输入、单输出的非线性器件。

(2)输入的历史数据的预处理。

建模步骤中对输入的历史数据预处理尤为关键。初始样本中往往会掺杂一些与研究问题不相关的因素、相关性不大的因素，这些因素往往会对初始样本造成影响，影响了模型的精度和稳定性。对于供水预测问题来说，历史流量对外界最为敏感，受异常情况的影响最为明显，故本发明采用改进的移动平均法对历史流量数据进行预处理，在保证样本真实性的同时排除一些系统误差和记录误差，提高样本精度。本发明对历史流量数据进行预处理步骤包括：

1)对历史的供水量资料进行平滑处理，以排除偶然因素造成的突变异常点。平滑处理采用以下的3倍均方差方法：

$\mathrm{\σ}\left(Q\right)={\left(\frac{\underset{1}{\overset{N}{\mathrm{\Σ}}}{(Q_{\ln }-\frac{\underset{1}{\overset{N}{\mathrm{\Σ}}}{Q}_{\ln }}{n})}^2}{n}\right)}^{1/2}---\left(1\right)$

$Q_{\ln }-\frac{\underset{1}{\overset{N}{\mathrm{\Σ}}}{Q}_{ln}}{n}>3*\mathrm{\σ}\left(Q\right)---\left(2\right)$

其中，Q_ln为历史流量值，将符合公式(2)条件的点从样本中除去，以剩下的样本作为训练样本输入神经网络模型进行训练。

2)对于小范围的波动点和斜率突然变化的样本点，本发明依据厂区的实际运行情况对其进行优化，以提高输入样本的精度。

3)移动平均处理：将去掉异常的数据进行移动平均处理，去掉一些白噪声，以提高样本的稳定性。移动平均处理所采用的公式为：

$\stackrel{\‾}{x_q}=\frac{x_q+x_{q+1}+\mathrm{......}{x}_{q+j-1}}{h},(q=1,\mathrm{2.......},N-h+1),$

为样本的移动平均值，N为最大样本数，h为移动平均的周期数，x_q为去掉异常点后的样本值。

4)将供水量资料作归一化处理。由于输入参数的量级不一致，需要做归一化处理才能正确反映出输入参数对输出量的影响过程，本发明的归一化过程采用如下式的线性归一法：

${\tilde{x}}_j^{\left(p\right)}=\frac{({\tilde{x}}_{j\max }-{\tilde{x}}_{j\min })x_j^{\left(p\right)}}{x_{j\max }-x_{j\min }}+({\tilde{x}}_{j\max }-\frac{({\tilde{x}}_{j\max }-{\tilde{x}}_{j\min })x_{j\max }}{x_{j\max }-x_{j\min }})$

其中，x_jmin表示所有输入样本第j个字段值的最小值，x_jmax表示所有输入样本第j个字段值的最大值，将所有样本的第j个字段值归一化到中，范围取[0,1]。

(3)建立BP神经网络模型，确定BP神经网络的拓扑结构。

三层BP神经网络可以逼近任意非线性映射关系，而神经网络算法中增加神经网络的层数可以更进一步降低误差，提高精度，但每增加一层，网络就会变得更加复杂，大大增加了网络的训练时间。而预测精度的提高实际上也可以通过增加隐含层节点数来实现，而且其训练的效果也比增加层数的方法更容易观察和调整。因此相比于增加层数的方法，增加隐含层节点数的方法更值得优先考虑。

理论上，隐含层的节点数量可以为任意数值，但在实际的应用中，过多的隐含层节点会导致一系列的问题。隐含层节点过多会使网络的规模变大，增加网络的复杂性：一方面，若网络规模相对于训练样本过于庞大，会出现训练结果“太好”的现象，看似训练精度很高，实际上已经出现了“过拟合”的现象(即陷入局部极小点而得不到最优点的现象)，使得网络的预测能力大大降低，无法达到预期的效果；另一方面，隐含层节点过多必然会导致更多的待定参数，网络规模的扩大也给网络的训练带来不小的难度，增加了训练的时间，且降低了收敛的速度。

本发明的供水预测模型的网络拓扑结构采用了三层BP神经网络，输入层与输出层之间设置有隐含层；隐含层的节点根据输入层的节点数确定并通过增减节点数进行训练对比，神经网络算法中每层的输出函数为输入函数关于该层的激发函数的函数；若所述输出层的输出结果与期望值不符，将输出层的误差转化为各层各个节点的连接权值与阈值的误差，将输出层的误差逐层向输入层反向传递，把误差分摊到各个节点，计算各个节点的参考误差，调整各个节点的连接权值及阈值大小，直到误差最小。

在BP神经网络模型中，假设中间隐含层的数目为n₂，输入层数目为n₁，输出层数目为m，则这三者的关系满足下式：

n₂＝sqrt(n₁+m)+a；

a＝1-10

适当增加和减少输入层、输出层、隐含层的个数组合成多种神经网络结构。如计算得到输入层、输出层、隐含层的大致数目为7、7、7，则根据试错法对这三层数目进行微调，将三层数目分别取7、8、9进行组合可生成27种组合；接着，可通过分别尝试法从这27种组合中找到最为合适的神经网络结构。在本实施例中，当输入层输出层固定时，主要改变的是隐含层个数。经分析查找后的结果(即分别尝试法的结果)发现，当隐含层数为8时，模型收敛及预测能力较好。

(4)确定供水预测模型的计算参数。

神经网络模型中主要的计算参数为各层神经元之间的权值、神经元中的激励函数及数据流出神经元的阈值。

1)各层神经元之间的权值以及数据流出神经元的阈值两个计算参数由random函数随机生成20种初始的权值矩阵和阈值输入神经网络模型计算，初始的权值和阈值在(0,1)范围内随机取值(可多次试验找到最为合适的权值和阈值组合)。

2)根据供水的实际需要，为了保证每次计算中没有负数的产生影响整个模型计算的稳定性，激励函数的选择上选择Log-Sigmoid这一非线性的函数函数：

$f\left(x\right)=\frac{1}{1+e^{-x}}$

(5)根据输入历史数据结合相应的网络拓扑结构进行训练，并根据训练结果确定供水预测模型。

模型中训练过程包括采用训练精度模式或学习次数模式的任意一种或多种进行训练，采用训练精度模式的训练过程包括如下步骤：根据神经网络的网络拓扑结构计算网络误差，计算训练过程的总误差，判断总误差是否达到设定精度，当判断没有达到精度时重复上述步骤直至达到精度，根据网络误差修改网络权重并完成训练；采用学习次数模式的训练过程包括如下步骤：根据网络拓扑结构计算网络误差，根据计算的网络误差修改网络权重，将训练次数加1，判断是否完成训练次数，若判断没有完成训练次数则重复上述步骤直至完成训练次数完成训练；训练完成后即可确定供水预测模型。

下面对模型中训练过程所涉及到的内容进行详细说明：

1)正向计算。

正向计算所涉及的相关理论有：

a.输入层的输出等于这个神经网络结构的输入信号x(n)，有：

$v_M^m\left(n\right)=x\left(n\right)$

b.隐含层第i个神经元的输入等于与相应权值ω_mi(n)的加权和：

$u_I^i\left(n\right)=\underset{m=1}{\overset{M}{\mathrm{\Σ}}}{\mathrm{\ω}}_{mi}\left(n\right)v_M^m\left(n\right)$

c.假设f(·)为Sigmoid函数，则隐含层第i个神经元的输出值为：

$v_I^i\left(n\right)=f\left(u_I^i\right(n\left)\right)+{\mathrm{\θ}}_i$

其中，θ_i为隐含层神经元的阀值。

d.输出层第j个神经元的输入等于的加权和：

$u_J^j\left(n\right)=\underset{i=1}{\overset{I}{\mathrm{\Σ}}}{\mathrm{\ω}}_{ij}\left(n\right)v_I^i\left(n\right)$

e.输出层第j个神经元的输出等于：

$v_J^j\left(n\right)=g\left(\right(u_J^j\left(n\right)\left)\right)$

f.输出层第j个神经元的误差e_j(n)为：

$e_j\left(n\right)=d_j\left(n\right)-v_J^j\left(n\right)$

g.网络的总误差e(n)为：

$e\left(n\right)=\frac{1}{2}\underset{j=1}{\overset{J}{\mathrm{\Σ}}}{e}_j^2\left(n\right)$

2)误差信号反向传播修正。

本发明的训练过程采用非线性规划中的最速下降法按误差函数的负梯度方向修正各个节点的权值及误差，具体包括：

a.调整隐含层与输出层之间的权值ω_ij。根据最速下降法，需要计算误差对ω_ij的梯度

${\mathrm{\Δ\ω}}_{ij}\left(n\right)=-\mathrm{\η}\frac{\∂e\left(n\right)}{\∂{\mathrm{\ω}}_{ij}\left(n\right)}$

ω_ij(n+1)＝Δω_ij(n)+ω_ij(n)

根据微分的链式规则有：

$\frac{\∂e\left(n\right)}{\∂{\mathrm{\ω}}_{ij}\left(n\right)}=\frac{\∂e\left(n\right)}{\∂e_j\left(n\right)}*\frac{\∂e_j\left(n\right)}{\∂v_J^j\left(n\right)}*\frac{\∂v_J^j\left(n\right)}{\∂u_J^j\left(n\right)}*\frac{\∂u_J^j\left(n\right)}{\∂{\mathrm{\ω}}_{ij}\left(n\right)}$

根据正向计算的理论，e(n)是e_j(n)的二次函数，其微分为一次函数，有：

$\begin{array}{cc}\frac{\∂e\left(n\right)}{\∂e_j\left(n\right)}=e_j\left(n\right)& \frac{\∂e_j\left(n\right)}{\∂v_J^j\left(n\right)}=-1\end{array}$

而输出层传递函数的导数为：

$\begin{array}{cc}\frac{\∂v_J^j\left(n\right)}{\∂u_J^j\left(n\right)}=g^{\′}{u}_J^j\left(n\right)& \frac{\∂u_J^j\left(n\right)}{\∂{\mathrm{\ω}}_{ij}\left(n\right)}=v_I^i\left(n\right)\end{array}$

计算得到梯度值为：

$\frac{\∂e\left(n\right)}{\∂{\mathrm{\ω}}_{ij}\left(n\right)}=-e_j\left(n\right)g^{\′}\left(u_J^j\right(n\left)\right)v_I^i\left(n\right)$

而相应的权值修正量Δω_ij(n)为：

${\mathrm{\Δ\ω}}_{ij}\left(n\right)={\mathrm{\ηe}}_j\left(n\right)g^{\′}\left(u_J^j\right(n\left)\right)v_I^i\left(n\right)$

引入局部梯度的定义，则有：

${\mathrm{\δ}}_J^j=-\frac{\∂e\left(n\right)}{\∂u_J^j\left(n\right)}=-\frac{\∂e\left(n\right)}{\∂e_j\left(n\right)}*\frac{\∂e_j\left(n\right)}{\∂v_J^j\left(n\right)}*\frac{\∂v_J^j\left(n\right)}{\∂u_J^j\left(n\right)}=e_j\left(n\right)g^{\′}\left(u_J^j\right(n\left)\right)$

此时，权值修正值Δω_ij(n)可以表示为：

${\mathrm{\Δ\ω}}_{ij}\left(n\right)={\mathrm{\η\δ}}_J^j{v}_I^i\left(n\right)$

而输出层的激励函数则一般选择线性函数，有：

$g^{\′}\left(u_J^j\right(n\left)\right)=1$

b.误差信号向前传播，对输入层与隐含层之间的权值ω_mi进行调整，有：

${\mathrm{\Δ\ω}}_{mi}\left(n\right)={\mathrm{\η\δ}}_I^i{v}_M^m\left(n\right)$

设为局部梯度，则有：

${\mathrm{\δ}}_I^i=-\frac{\∂e\left(n\right)}{\∂u_I^i\left(n\right)}=-\frac{\∂e\left(n\right)}{\∂e_i\left(n\right)}*\frac{\∂e_i\left(n\right)}{\∂v_I^i\left(n\right)}*\frac{\∂v_I^i\left(n\right)}{\∂u_I^i\left(n\right)}=f^{\′}\left(u_I^i\right(n\left)\right)\underset{j=1}{\overset{J}{\mathrm{\Σ}}}{\mathrm{\δ}}_J^j{\mathrm{\ω}}_{ij}$

3)训练方法和标准

本实例中采用训练精度及训练次数共同控制整个训练过程，训练方法使用并行的训练方式进行训练：神经网络需获得所有的学习样本，计算其所有样本的均方误差和作为总误差如下式所示：

$E=\underset{n=1}{\overset{N}{\mathrm{\Σ}}}{e}_n^2$

为了提高训练精度，本发明采用了以下两种改进的计算方法计算总误差：

a.增加动量项的方法：

Δw(t)＝ηδ+αΔw(t-1)

这时权值修正量Δw(t)加上了有关前一时刻权值的修改方向的记忆,使得权值修正有一定的惯性，具有一定的抗震荡能力，使得迭代过程具有较快的收敛速度。

b.自适应调节学习率的方法:

$\left\{\begin{array}{c}\mathrm{\&eta;}=\mathrm{\&beta;}{\mathrm{\&eta;}}_0(\mathrm{\&beta;}<1),E\left(t\right)>E(t-1)\\ \mathrm{\&eta;}=\mathrm{\&theta;}{\mathrm{\&eta;}}_0(\mathrm{\&theta;}>1),E\left(t\right)<E(t-1)\end{array}\right.$

若仍采用一般的固定长梯度下降法进行求解,可能会导致两个主要问题:收敛速度慢和局部极小解。因此,采用改进的变步长算法修正各个节点的权值：先设一个初始步长η₀,若一次迭代后误差E增大,则将步长乘以小于1的调节因子β,然后沿原方向重新计算下一个迭代点；若一次迭代后E减小,则将步长乘以大于1的调节因子θ，这样就可以通过误差的增减来判断、调整学习率，从而提高算法的性能和稳定性。

实时预测步骤在预测供水量时，将执行的操作包括：

(1)特殊节假日处理

根据供水量的实际情况，对于春节、国庆和当地的风俗习惯，预测时需要将这些特殊的节日进行异常处理，以历史当日的数据作为参考来预测供水量。

(2)自动更新

根据建立的供水预测模型在进行预测后，本发明能自动读取数据库中采集到的历史流量作为新的样本输入到模型中，不断更新预测模型，使模型能随供水条件的变化随时变化，以适应实际的情况，保证预测的精度。

实施例二

参照图3-5，本发明的第二实施例：

本实施例以贺州市的供水模型为例，贺州城市的供水由担杆岭水厂和河南水厂共同承担。本发明根据这两个供水厂的实际情况对未来短期的供水量进行预测，来指导自来水厂进行调度生产。

如图3所示，建模步骤包括：

步骤101:分析历史数据并根据供水过程的特性确定供水预测模型的影响因子。

本实施例经过相关分析后将高温度和历史的供水量，节假日情况作为水预测模型的考虑因子，具体分析过程参考实施例一。

步骤102:在确定的影响因子中选择的贡献率高的因子作为参数输入、特殊因子作特殊处理。

本实施例经过分析将高温度及历史供水量作为输入的神经元输入到BP神经网络模型中进行计算，节假日作为特殊因子进行特别处理。

步骤103:对输入的参数进行预处理；

输入参数中，先将流量数据用3倍均方差的方法滤掉异常点，并需要将初次处理过的流量进行移动平均之后再进行归一化处理，而温度数据直接进行归一化处理即可

步骤104:确定供水预测模型的计算参数，建立输入层参数与输出层输出的供水量之间的函数关系。

该实施例中输入层神经元为2个，输出层神经元为1个，隐含层神经元个数为8个。由于供水量数据的非负性，本实施例选择Log-Sigmoid函数作为激励函数，能比较准确地反映出供水的实际过程。

步骤105:根据输入的历史数据结合相应的网络拓扑结构进行训练，并根据训练结果确定供水预测模型。

步骤S105中训练的模式可以选用训练精度模式或学习次数模式或二者的结合。

如图4所示，其中，采用训练精度模式结合训练次数模式进行训练包括如下步骤：

步骤201：根据网络拓扑结构进行正向传播计算；

步骤202：计算训练过程的总误差；

步骤203：判断总误差是否达到设定精度；

步骤204：判断是否达到最大训练次数；

步骤205：根据网络误差修改网络权重；

当判断没有达到精度时且没有达到最大训练次数时重复上述步骤直至达到精度并完成训练。

步骤206：输入下一组样本进行训练。

步骤S106:根据训练确定的供水预测模型进行供水量预测。

如图5所示，步骤106中基于训练模型得到的模型进行预测可进一步分为如下步骤：

步骤301:输入预测所需的参数。

步骤302:判断是否与上一次预测日期一致，并根据判断的结果执行步骤。

步骤303:若是，则直接进行正向计算。

步骤304:若不是，执行步骤10更新供水预测模型，然后再基于更新后的模型进行正向计算。

步骤305:判断是否为节假日，若是，则执行步骤306，反之，则直接输出预测的结果。

步骤306:根据具体节假日类型进行相应的异常处理，以历史当日的供水数据作为参考重新进行预测，然后输出重新预测的结果。

本实施例利用移动平均法结合改进的BP神经网络的方法对供水量进行短期预测，通过对过去一年的贺州供水厂的日供水量数据时间序列进行分析和预测，得到了贺州供水量。通过与传统的预测方法进行对比后发现，采用本发明的方法进行预测有比较明显的周期性，学习所需数据量少，精度高，能够解决传统方法需要数据量大且计算复杂的问题；相较于传统单一的移动平均方法而言，本发明在历史流量的数据处理上使用了移动平均的方法，通过时间序列的分析和试验得到较好的移动平均周期，去掉了部分噪音，提高了样本的精度；本发明将移动平均的值作为输入因子输入到BP神经网络模型中，由于BP神经网络的强非线性，城市供水的非线性的特征并未削弱。此外，本发明采用了BP神经算法，BP神经网络由于其强鲁棒性和容错性，当某些数据发生异常变化时，对整个复杂的神经网络系统的影响也不大，异常值不会对预测结果产生很大的误差，实时性好；BP神经网络由于其强非线性的特点，整个网络是一个暗箱，能够比较准确反应输入的影响因子和输出的结果之间的复杂关系，远远优于灰色模型。

在传统的神经网络预测的方法上，本发明在输入输出和异常处理的方面进行了改进，通过平滑处理、优化处理以及移动平均处理等来提高了整个预测模型的精度和稳定性：考虑到水厂日常运营的可能发生的异常情况(尤其是单一水厂日常供水时，若出现供水设备故障或管网出现事故，其将会对整个供水量产生较大的影响)，故用于分析的样本需要剔除这些由于异常产生的异常点并且分析其成因。在模型建立和后期更新时，软件程序将自动除去这些异常的点，因此只需将正确的新样本输入模型，就能保证整个系统的稳定性和正确性。

在理想情况下，历史供水的样本点都是规律性比较强且比较理想的。但实际使用过程所获取的样本，由于水厂中设备仪表的老化，数据并没有那么理想，故本发明对这些不符合规律从的点都进行了一一分析，得到了比较准确的样本点，并对于特殊节假日所产生的影响进行了分析，然后将这些因素作为模型的影响因子进行综合考虑，提高了模型的精度。

以上是对本发明的较佳实施进行了具体说明，但本发明创造并不限于所述实施例，熟悉本领域的技术人员在不违背本发明精神的前提下还可做作出种种的等同变形或替换，这些等同的变形或替换均包含在本申请权利要求所限定的范围内。

Claims (10)

1.一种供水预测方法，其特征在于：包括以下步骤：

S1、分析历史数据并建立供水预测模型，得到输入层参数与输出层输出的供水量之间的函数关系；

S2、根据建立的供水预测模型和所需预测日期进行实时供水量预测；

所述分析历史数据并建立供水预测模型的过程包括但不限于采用移动平均法对输入的历史数据进行预处理过程，采用神经网络算法确定供水预测模型的网络拓扑结构过程，根据预处理后的历史数据以及相应的网络拓扑结构确定供水预测模型过程。

2.根据权利要求1所述的一种供水预测方法，其特征在于：所述步骤S1包括：

S11、根据供水过程的特性确定供水预测模型的输入参数；

S12、采用移动平均法对输入的历史数据进行预处理；

S13、采用三层BP神经网络模型建立供水预测模型的网络拓扑结构；

S14、确定三层BP神经网络模型的计算参数；

S15、根据预处理后的历史数据以及三层BP神经网络模型相应的网络拓扑结构进行训练，然后根据训练的结果确定供水预测模型。

3.根据权利要求2所述的一种供水预测方法，其特征在于：所述步骤S12包括：

S121、对初始样本中输入的历史数据进行平滑处理，得到去除突变异常点后的样本数据，所述突变异常点满足：

$Q_{\ln }-\frac{\underset{1}{\overset{N}{\&Sigma;}}{Q}_{\ln }}{n}>3*\mathrm{\&sigma;}\left(Q\right),$

其中，Q_ln为第n个样本的历史供水量值，n＝1，2，…，N；N为最大样本数，σ(Q)为历史供水量样本的均方差，σ(Q)的计算公式为：

$\mathrm{\&sigma;}\left(Q\right)={\left(\frac{\underset{1}{\overset{N}{\&Sigma;}}{(Q_{\ln }-\frac{\underset{1}{\overset{N}{\&Sigma;}}{Q}_{\ln }}{n})}^2}{n}\right)}^{1/2};$

S122、对去除突变异常点后的样本数据中小范围内的波动点和斜率突然变化的样本点进行优化，得到优化后的样本数据；

S123、对优化后的样本数据进行移动平均处理，所述移动平均处理所采用的公式为：

$\stackrel{\&OverBar;}{x_q}=\frac{x_q+x_{q+1}+......x_{q+j-1}}{h},(q=1,\mathrm{2.......},N-h+1),$

其中，x_q为优化后的样本数据中第q个样本的样本值，为优化后的样本数据中第q个样本的移动平均值，h为移动平均的周期数；

S124、对移动平均处理后的所有样本数据进行归一化处理，所述归一化处理所采用的公式为：

${\tilde{x}}_j^{\left(p\right)}=\frac{\left({\tilde{x}}_{j\max }-{\tilde{x}}_{j\min }\right)x_j^{\left(p\right)}}{x_{j\max }-x_{j\min }}+\left({\tilde{x}}_{j\max }-\frac{\left({\tilde{x}}_{j\max }-{\tilde{x}}_{j\min }\right)x_{j\max }}{x_{j\max }-x_{j\min }}\right),$

其中，和分别为移动平均处理后的所有样本中第j个字段归一化处理前的值和归一化处理后的值，x_jmax和分别表示所有样本中第j个字段归一化处理前的最大值和归一化处理后的最大值，x_jmin和分别表示所有样本中第j个字段归一化处理前的最小值和归一化处理后的最小值，的取范围为[0，1]。

4.根据权利要求2所述的一种供水预测方法，其特征在于：所述供水预测模型的输入参数包括但不限于历史用水量、天气情况、温度、湿度、节假日情况、工业情况、城镇居民生活条件、人口和GDP中的任意一种或多种，每个参数构成输入层的一个节点，输出层输出第二天的供水量，并采用相关性分析的方法对输入参数进行分析，计算各参数与供水量的之间的相关系数及各参数对供水量的贡献率，然后选取与供水量相关系数高的参数作为影响日供水量的主要因子，并设定阈值作为神经网络流出神经元的控制量；所述神经网络算法采用神经元为基本处理单元，所述神经元为多输入、单输出的非线性器件；所述三层BP神经网络模型的计算参数包括但不限于各层神经元之间的权值、神经元中的激励函数及数据流出神经元的阈值，所述各层神经元之间的权值以及数据流出神经元的阈值由random函数随机生成的20种初始的权值矩阵和阈值输入三层BP神经网络模型计算而来，所述初始的权值和阈值均在(0，1)之间随机取值，所述神经元中的激励函数采用Log-Sigmoid函数：

5.根据权利要求2所述的一种供水预测方法，其特征在于：所述供水预测模型以三层BP神经网络作为网络拓扑结构，所述输入层与输出层之间设置有隐含层，所述三层BP神经网络的输入层数目n₁、输出层数目m和隐含层数目n₂满足：n₂＝sqrt(n₁+m)+a，其中，sqrt函数为平方根函数，a为常数，且a取1到10的自然数；所述隐含层的节点根据输入层的节点数确定并通过增减节点数进行训练对比，所述神经网络算法中每层的输出函数为输入函数关于该层的激发函数的函数；若所述输出层的输出结果与期望值不符，将输出层的误差转化为各层各个节点的连接权值与阈值的误差，将输出层的误差逐层向输入层反向传递，把误差分摊到各个节点，计算各个节点的参考误差，并调整各个节点的连接权值及阈值大小，直到误差最小。

6.根据权利要求2-5任一项所述的一种供水预测方法，其特征在于：所述步骤S15具体为：

根据预处理后的历史数据以及三层BP神经网络模型相应的网络拓扑结构采用训练精度模式、学习次数模式或者两种模式的结合进行训练，然后根据训练的结果确定供水预测模型；

其中，采用训练精度模式进行训练包括如下步骤：根据三层BP神经网络的网络拓扑结构计算网络误差，计算训练过程的总误差，判断总误差是否达到设定精度，当判断没有达到精度时重复上述步骤直至达到设定精度，根据网络误差修改网络权重并完成训练；所述采用学习次数模式进行训练包括如下步骤：根据三层BP神经网络模型的网络拓扑结构计算网络误差，根据计算的网络误差修改网络权重，将训练次数加1，判断是否达到最大训练次数，若判断没有达到最大训练次数则重复上述步骤直至达到最大训练次数完成训练；采用训练精度模式结合学习次数模式进行训练包括如下步骤：根据三层BP神经网络模型的网络拓扑结构正向传播计算网络误差，计算训练过程的总误差，判断总误差是否达到设定精度，判断是否达到最大训练次数，当判断没有达到精度时或没有达到最大训练次数时重复上述步骤直至达到设定精度和最大训练次数，根据网络误差修改网络权重；

所述训练过程的总误差为所有含有预处理后的历史数据样本误差的均方差之和；

所述训练过程采用改进的变步长梯度下降法修正各个节点的权值及误差，各个节点当前时刻的权值修正量Δw(t)为：Δw(t)＝ηδ+αΔw(t-1)，其中，Δw(t-1)为各个节点上一时刻的权值修正量，δ为各个节点理论计算得到的权值修正量，α为动量系数，且α∈(0,1)，η为自适应调节学习率，η的调整方式为：先设定初始步长，若进行一次迭代后节点的误差增大，则将步长和η均乘以小于1的调节因子β，然后沿原方向重新进行下一次迭代；若进行一次迭代后节点的误差减小，则将步长和η均乘以大于1的调节因子θ，然后沿原方向重新进行下一次迭代。

7.根据权利要求2-5任一项所述的一种供水预测方法，其特征在于：所述步骤S2包括：

S21、输入预测所需的参数。

S22、判断所需预测日期是否与上一次预测日期一致，若是，则根据输入的参数和上一次预测日期的供水预测模型正向计算所需预测日期的供水量，反之，则在执行步骤S15更新供水预测模型后正向计算所需预测日期的供水量；

S23、判断所需预测日期是否为节假日，若是，则以历史当日的数据作为参考数据重新预测所需预测日期的供水量，并将重新预测的供水量进行输出；反之，则直接输出步骤S22计算出的预测供水量。

8.一种供水预测系统，其特征在于：包括：

建模模块，用于分析历史数据并建立供水预测模型，得到输入层参数与输出层输出的供水量之间的函数关系；

预测模块，用于根据建立的供水预测模型和所需预测日期进行实时供水量预测；

所述分析历史数据并建立供水预测模型的过程包括但不限于采用移动平均法对输入的历史数据进行预处理过程，采用神经网络算法确定供水预测模型的网络拓扑结构过程，根据预处理后的历史数据以及相应的网络拓扑结构确定供水预测模型过程；

所述建模模块的输出端与预测模块的输入端连接。

9.根据权利要求8所述的一种供水预测系统，其特征在于：所述建模模块包括：

输入参数确定单元，用于根据供水过程的特性确定供水预测模型的输入参数；

预处理单元，用于采用移动平均法对输入的历史数据进行预处理；

拓扑结构建立单元，用于采用三层BP神经网络模型建立供水预测模型的网络拓扑结构；

计算参数确定单元，用于确定三层BP神经网络模型的计算参数；

训练单元，用于根据预处理后的历史数据以及三层BP神经网络模型相应的网络拓扑结构进行训练，然后根据训练的结果确定供水预测模型；

所述输入参数确定单元的输出端依次通过预处理单元、拓扑结构建立单元、计算参数确定单元和训练单元进而与预测模块的输入端连接。

10.根据权利要求9所述的一种供水预测系统，其特征在于：所述预处理单元包括：

平滑处理子单元，用于对初始样本中输入的历史数据进行平滑处理，得到去除突变异常点后的样本数据，所述突变异常点满足：

$Q_{\ln }-\frac{\underset{1}{\overset{N}{\&Sigma;}}{Q}_{\ln }}{n}>3*\mathrm{\&sigma;}\left(Q\right),$

其中，Q_ln为第n个样本的历史供水量值，n＝1，2，…，N；N为最大样本数，σ(Q)为历史供水量样本的均方差，σ(Q)的计算公式为：

$\mathrm{\&sigma;}\left(Q\right)={\left(\frac{\underset{1}{\overset{N}{\&Sigma;}}{(Q_{\ln }-\frac{\underset{1}{\overset{N}{\&Sigma;}}{Q}_{\ln }}{n})}^2}{n}\right)}^{1/2};$

优化子单元，用于对去除突变异常点后的样本数据中小范围内的波动点和斜率突然变化的样本点进行优化，得到优化后的样本数据；

移动平均处理子单元，用于对优化后的样本数据进行移动平均处理，所述移动平均处理所采用的公式为：

$\stackrel{\&OverBar;}{x_q}=\frac{x_q+x_{q+1}+......x_{q+j-1}}{h},(q=1,\mathrm{2.......},N-h+1),$

其中，x_q为优化后的样本数据中第q个样本的样本值，为优化后的样本数据中第q个样本的移动平均值，h为移动平均的周期数；

归一化处理子单元，用于对移动平均处理后的所有样本数据进行归一化处理，所述归一化处理所采用的公式为：

${\tilde{x}}_j^{\left(p\right)}=\frac{\left({\tilde{x}}_{j\max }-{\tilde{x}}_{j\min }\right)x_j^{\left(p\right)}}{x_{j\max }-x_{j\min }}+\left({\tilde{x}}_{j\max }-\frac{\left({\tilde{x}}_{j\max }-{\tilde{x}}_{j\min }\right)x_{j\max }}{x_{j\max }-x_{j\min }}\right),$

其中，和分别为移动平均处理后的所有样本中第j个字段归一化处理前的值和归一化处理后的值，x_jmax和分别表示所有样本中第j个字段归一化处理前的最大值和归一化处理后的最大值，x_jmin和分别表示所有样本中第j个字段归一化处理前的最小值和归一化处理后的最小值，的取范围为[0，1]；

所述输入参数的输出端确定单元依次通过平滑处理子单元、优化子单元、移动平均处理子单元和归一化处理子单元进而与拓扑结构建立单元的输入端连接。