CN110009161A - 供水预测方法及装置 - Google Patents
供水预测方法及装置 Download PDFInfo
- Publication number
- CN110009161A CN110009161A CN201910301718.7A CN201910301718A CN110009161A CN 110009161 A CN110009161 A CN 110009161A CN 201910301718 A CN201910301718 A CN 201910301718A CN 110009161 A CN110009161 A CN 110009161A
- Authority
- CN
- China
- Prior art keywords
- data
- water supply
- initial
- forecast model
- supply forecast
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 220
- 238000000034 method Methods 0.000 title claims abstract description 38
- 238000012545 processing Methods 0.000 claims description 19
- 238000009499 grossing Methods 0.000 claims description 14
- 230000002159 abnormal effect Effects 0.000 claims description 10
- 238000012216 screening Methods 0.000 claims description 8
- 238000012549 training Methods 0.000 claims description 8
- 238000011478 gradient descent method Methods 0.000 claims description 7
- 238000012937 correction Methods 0.000 claims description 3
- 239000008400 supply water Substances 0.000 claims description 3
- 238000013528 artificial neural network Methods 0.000 abstract description 8
- 238000010586 diagram Methods 0.000 description 10
- 230000008569 process Effects 0.000 description 6
- 230000000007 visual effect Effects 0.000 description 4
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000008878 coupling Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 241001269238 Data Species 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- JEGUKCSWCFPDGT-UHFFFAOYSA-N h2o hydrate Chemical compound O.O JEGUKCSWCFPDGT-UHFFFAOYSA-N 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Biophysics (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Operations Research (AREA)
- Primary Health Care (AREA)
- Life Sciences & Earth Sciences (AREA)
- Quality & Reliability (AREA)
- Biomedical Technology (AREA)
- Entrepreneurship & Innovation (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种供水预测方法及装置,涉及供水分析技术领域。该方法包括:通过第一基础数据,第一基础数据用于预测目标区域内的需水量;将第一基础数据输入基于深度信念网络的供水预测模型,得到供水预测模型输出的预测数据,根据第一预设规则对预测数据进行修正,得到最终预测数据,最终预测数据为预测得到的目标区域内的需水量。通过基于深度信念网络的供水预测模型对第一基础数据进行预测得到预测数据,并通过预设规则对预测数据进行修正得到最终预测数据,避免了通过BP神经网络预测用水数据时,输出的预测的用水数据误差较大的问题,提高了预测的用水数据的准确性。
Description
技术领域
本发明涉及供水分析技术领域,具体而言,涉及一种供水预测方法及装置。
背景技术
随着水资源的短缺,水资源供给的矛盾越来越突出,因此,对一个区域内的水资源的需求进行预测,实现对水资源的合理分配,也变得越来越重要。
相关技术中,通过历史用水数据对BP(back propagation,误差反向传播算法)神经网络进行训练,将需要预测的历史用水数据输入BP神经网络,通过BP神经网络输出预测的用水数据。
但是,通过BP神经网络预测用水数据时,输出的预测用水数据的误差较大。
发明内容
本发明的目的在于,针对上述现有技术中的不足,提供一种供水预测方法及装置,以便解决现有技术中通过BP神经网络预测用水数据时,输出的预测用水数据的误差较大。
为实现上述目的,本发明实施例采用的技术方案如下:
第一方面,本发明实施例提供了一种供水预测方法,包括:
获取第一基础数据,所述第一基础数据用于预测目标区域内的需水量;
将所述第一基础数据输入基于深度信念网络的供水预测模型,得到所述供水预测模型输出的预测数据;
根据第一预设规则对所述预测数据进行修正,得到最终预测数据,所述最终预测数据为预测得到的所述目标区域内的需水量。
进一步地,所述获取第一基础数据,包括:
获取原始数据,所述原始数据为所述目标区域内的历史用水数据;
对所述原始数据进行筛选,得到筛选后的原始数据,所述筛选后的原始数据包括所述第一基础数据和第二基础数据,所述第二基础数据用于训练所述供水预测模型。
进一步地,所述对所述原始数据进行筛选,得到筛选后的原始数据,包括:
对所述原始数据中的异常数据进行替换,得到替换后的原始数据;
对所述替换后的原始数据进行平滑处理,得到平滑处理后的原始数据;
对所述平滑处理后的原始数据进行归一化处理,得到筛选后的原始数据。
进一步地,在所述将所述第一基础数据输入供水预测模型之前,所述方法还包括:
通过深度信念网络建立初始供水预测模型,所述深度信念网络包括多层受限玻尔兹曼机;
根据所述初始供水预测模型中每层对应的权重数据,结合所述第二基础数据进行预测,得到目标数据;
根据所述目标数据和与所述第二基础数据对应的标准数据,采用梯度下降法对所述初始供水预测模型进行更新,得到所述供水预测模型。
进一步地,所述根据所述目标数据和与所述第二基础数据对应的标准数据,采用梯度下降法对所述初始供水预测模型进行更新,得到所述供水预测模型,包括:
根据所述目标数据和所述标准数据进行计算,得到至少一个指标数据;
根据至少一个所述指标数据中的均方根误差,对所述初始供水预测模型中每层对应的权重数据进行更新,得到更新后的权重数据;
将所述初始供水预测模型中每层对应的权重数据替换为所述更新后的权重数据,得到所述供水预测模型。
第二方面,本发明实施例还提供了一种供水预测装置,包括:
获取模块,用于获取第一基础数据,所述第一基础数据用于预测目标区域内的需水量;
输入模块,用于将所述第一基础数据输入基于深度信念网络的供水预测模型,得到所述供水预测模型输出的预测数据;
修正模块,用于根据第一预设规则对所述预测数据进行修正,得到最终预测数据,所述最终预测数据为预测得到的所述目标区域内的需水量。
进一步地,所述获取模块,具体用于获取原始数据,所述原始数据为所述目标区域内的历史用水数据;对所述原始数据进行筛选,得到筛选后的原始数据,所述筛选后的原始数据包括所述第一基础数据和第二基础数据,所述第二基础数据用于训练所述供水预测模型。
进一步地,所述获取模块,还具体用于对所述原始数据中的异常数据进行替换,得到替换后的原始数据;对所述替换后的原始数据进行平滑处理,得到平滑处理后的原始数据;对所述平滑处理后的原始数据进行归一化处理,得到筛选后的原始数据。
进一步地,所述装置还包括:
建立模块,用于通过深度信念网络建立初始供水预测模型,所述深度信念网络包括多层受限玻尔兹曼机;
预测模块,用于根据所述初始供水预测模型中每层对应的权重数据,结合所述第二基础数据进行预测,得到目标数据;
更新模块,用于根据所述目标数据和与所述第二基础数据对应的标准数据,采用梯度下降法对所述初始供水预测模型进行更新,得到所述供水预测模型。
进一步地,所述更新模块,具体用于根据所述目标数据和所述标准数据进行计算,得到至少一个指标数据;根据至少一个所述指标数据中的均方根误差,对所述初始供水预测模型中每层对应的权重数据进行更新,得到更新后的权重数据;将所述初始供水预测模型中每层对应的权重数据替换为所述更新后的权重数据,得到所述供水预测模型。
本发明的有益效果是:本发明实施例提供一种供水预测方法及装置,通过第一基础数据,第一基础数据用于预测目标区域内的需水量;将第一基础数据输入基于深度信念网络的供水预测模型,得到供水预测模型输出的预测数据,根据第一预设规则对预测数据进行修正,得到最终预测数据,最终预测数据为预测得到的目标区域内的需水量。通过基于深度信念网络的供水预测模型对第一基础数据进行预测得到预测数据,并对预测数据进行修正得到最终预测数据,避免了现有技术中,通过BP神经网络预测用水数据时,并未对预测的用水数据进行修正,导致输出的预测的用水数据误差较大的问题,提高了预测的用水数据的准确性。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本发明的某些实施例,因此不应被看作是对范围的限定,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他相关的附图。
图1为本发明实施例提供的一供水预测方法的流程示意图;
图2为本发明实施例提供的一供水预测方法的流程示意图;
图3为本发明实施例提供的一供水预测方法的流程示意图;
图4为本发明实施例提供的一供水预测装置的结构示意图;
图5为本发明实施例提供的一供水预测装置的结构示意图;
图6为本发明实施例提供的一供水预测装置的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。
图1为本发明实施例提供的一供水预测方法的流程示意图;如图1所示,该方法包括:
S101、获取第一基础数据。
为了对目标区域进行合理的供水,需要对目标区域内的需水量进行预测,因此,终端可以先获取第一基础数据,以便在后续的步骤中,终端可以根据第一基础数据对目标区域内的需水量进行预测。
其中,第一基础数据用于预测目标区域内需水量。另外,第一基础数据可以是该用水单元在各个时间段内的用水量,也即是该用水单元在历史的各个时间段内的历史用水数据。例如,第一基础数据为一个小区在各个时间段内的历史用水数据。
需要说明的是,目标区域可以包括一个用水单元,也可以包括两个用水单元,还可以包括多个用水单元,本发明实施例对此不进行具体限制。在本发明实施例中,目标区域可以为一个用水单元,例如,一个用水单元可以为一个小区。
在本发明实施例中,第一基础数据可以包括各个目标区域的标识,以及各个用水单元在多个时间段的用水量。例如,各个目标区域可以包括:小区、医院、学校和工厂,多个时间段可以包括:第一天用水量、第二天用水量和第三天用水量,则各个目标区域对应在每天的用水数据可以如下表所示:
表1
S102、将第一基础数据输入基于深度信念网络的供水预测模型,得到供水预测模型输出的预测数据。
在获取第一基础数据之后,终端则可以通过供水预测模型对目标区域内的需水量进行预测,因此,可以将第一基础数据输入到供水预测模型中,得到供水预测模型输出的预测数据。
具体地,将第一基础数据输入基于深度信念网络的供水预测模型,供水预测模型可以根据每层对应的权重数据和第一基础数据,输入供水预测模型,得到预测数据。
S103、根据第一预设规则对预测数据进行修正,得到最终预测数据。
为了使得预测数据更加准确,从而实现对目标区域的需水量的精确供给,因此,可以根据第一预设规则对预测数据进行修正,从而可以得到修正后的预测数据,也即是最终预测数据。
具体地,得到预测数据之后,可以采用二次移动平均法,对供水预测模型输出的预测数据进行修正,得到修正后的预测数据,该修正后的预测数据为最终预测数据。
例如,预测数据可以包括y1,y2,y3…yn,n为预测数据的长度,除了预测数据的第一项和最后一项,也即是除了y1和yn,对剩余的预测数列进行平滑修正,则得到y′1,y′2,y′3…y′n为第一次修正后的预测数据之后,再次采用上述方式对y′1,y′2,y′3…y′n进行平滑处理,得到y′12=y′1, 则第二次修正后的预测数据也即是最终预测数据为y′12,y′22,y′32...y′n2。
另外,一个目标区域可以包括多个用水单元,终端可以计算一个目标区域内,对于各个用水单元的最终预测数据,计算对应的中位值和均值,并向用户展示各个用水单元的最终预测数据的中位值和均值,以便用户直观的获知该用水单元的需水量。
综上所述,本发明实施例提供一种供水预测方法,通过第一基础数据,第一基础数据用于预测目标区域内的需水量;将第一基础数据输入基于深度信念网络的供水预测模型,得到供水预测模型输出的预测数据,根据第一预设规则对预测数据进行修正,得到最终预测数据,最终预测数据为预测得到的目标区域内的需水量。通过基于深度信念网络的供水预测模型对第一基础数据进行预测得到预测数据,并通过预设规则对预测数据进行修正得到最终预测数据,避免了通过BP神经网络预测用水数据时,输出的预测的用水数据误差较大的问题,提高了预测的用水数据的准确性。
图2为本发明实施例提供的一供水预测方法的流程示意图,如图2所示,该方法包括:
S201、获取原始数据。
其中,原始数据为目标区域内的历史用水数据。
终端需要获取原始数据,以便在后续的步骤中,对原始数据进行筛选,从而可以得到用于预测目标区域内的需水量的第一基础数据,和用于训练供水预测模型第二基础数据。
S202、对原始数据进行筛选,得到筛选后的原始数据,筛选后的原始数据包括第一基础数据和第二基础数据。
其中,第一基础数据用于预测目标区域内的需水量,第二基础数据用于训练供水预测模型。
在本发明实施例中,对原始数据进行筛选时,可以对一些不满足格式的数据或者缺失数据进行处理,也可以对原始数据中异常峰值数据和异常低值数据进行平滑处理。
需要说明的是,不满足格式的数据可以是原始数据中不满足预设格式的数据,缺失数据可以指原数数据中一个用水模块在一个时刻的用水数据出现缺失的状况。另外,异常峰值数据和异常低值数据为原始数据中与相邻的原始数据的差值不满足预设条件的数据
可选的,在对原始数据进行筛选的过程中,可以对原始数据中的异常数据进行替换,得到替换后的原始数据;并对替换后的原始数据进行平滑处理,得到平滑处理后的原始数据;在对平滑处理后的原始数据进行归一化处理,得到筛选后的原始数据。
在一种可能的实施方式中,对于每个原始数据,终端可以判断原始数据中的各个数据是否为格式异常的数据,或者该数据是否出现缺失的情况,若检测到该数据为格式异常的数据或者该数据出现缺失的情况,通过计算该数据临近的几个原始数据的平均值,对该原始数据进行替换,对原始数据中的各个格式异常,或者出现缺失状态的数据进行替换可以得到替换后的原始数据。
在另一种可能的实施方式中,对于每个原始数据,终端可以判断原始数据中的各个数据是否满足预设条件,若检测到该数据不满足预设条件,则该数据为异常峰值数据或者异常低值数据,通过计算该原始数据临近的几个原始数据的平均值,对该原始数据进行平滑处理,可以得到平滑处理后的原始数据。
其中,预设条件可以为原始数据与相邻数据之间的差值大于预设阈值。
例如,预设阈值可以为300立方米,若x1(t)为格式异常的数据或者为缺失状态,i为用水单元的标识,t为用水量对应的时刻,则可以将x1(t)替换为:另外,若一个时刻的用水量x1(t)与前后时刻的用水量都相差300立方米以上,则x1(t)为异常峰值数据或者异常低值数据,将该数据替换为
另外,可以根据公式,对平滑处理后的原始数据进行归一化处理,其中,xi为当前原始数据,为原始数据中的最小值,为原始数据中的最大值。
S203、通过深度信念网络建立初始供水预测模型。
其中,深度信念网络包括多个受限玻尔兹曼机,初始供水预测模型中设定有每层对应的权重数据。
终端需要建立初始供水预测模型,以便后续的步骤中,可以根据初始供水预测模型预测第一基础数据对应的预测数据。
其中,深度信念网络由多个RBM(Restricted Boltzmann Machines,受限玻尔兹曼机)组成,深度信念网络中包括有可视层和隐含层,可视层节点的个数可以为n,可以根据经验将隐藏层节点的个数确定为s=2n+1。
另外,每次输入的原始数据的个数与可视层中节点个数相同,终端可以通过滑动窗口确定每次输入的原始数据的个数,滑动窗口可以进行移动,从而可以完成对于全部原始数据的输入。
S204、根据初始供水预测模型中每层对应的权重数据,结合第二基础数据进行预测,得到目标数据。
在建立初始供水预测模型之后,终端需要根初始供水预测模型中每层对应的权重数据,结合第二基础数据进行预测,得到目标数据,以便在后续的步骤中,终端可以根据目标数据,得到供水预测模型。
具体地,将第二基础数据输入初始供水预测模型中,终端将第二基础数据输入初始供水预测模型,根据初始供水预测模型中每层对应的权重数据,初始供水预测模型可以输出目标数据。
例如,第二基础数据可以为一个用水单元在最近两天内的用水数据,将第二基础数据输入初始供水预测模型中,初始供水训练模型可以根据第二基础数据以及每层对应的权重数据,计算出该用水单元在未来两天内的每天的目标数据,最后输出该用水单元的目标数据。
S205、根据目标数据和与第二基础数据对应的标准数据,采用梯度下降法对初始供水预测模型进行更新,得到供水预测模型,
在得到目标数据之后,需要根据目标数据和标准数据,获取至少一个指标数据,并根据至少一个指标数据,对初始供水预测模型中每层对应的权重数据进行更新,并把每层对应的权重数据替换为更新后的权重数据,从而可以得到供水预测模型。因此,如图3所示,S205可以包括S205a、S205b和S205c。
S205a、根据目标数据和标准数据进行计算,得到至少一个指标数据。
在初始供水预测模型输出预测的目标数据之后,终端可以计算至少一个指标数据,通过该至少一个指标数据,对目标数据进行评价,以便在后续的步骤中,可以根据该指标数据得到更新后的权重数据。
在本发明实施例中,至少一个指标数据可以包括均方误差(MSE)、均方根误差(RMSE)、平均绝对误差(MAE)和平均绝对百分比误差(MAPE)。
其中, yi为标准数据,为当前目标数据,i为标准数据的编号,n为目标数据的长度,当MSE、RMSE、MAE、MAPE对应的值越小时,预测效果越好。
具体地,针对每一个目标数据,终端可以随机生成1-4的整数,若生成1,则计算该目标数据对应的均方误差(MSE),若生成2,则计算该目标数据对应的均方根误差(RMSE),若生成3,则计算该目标数据对应的平均绝对误差(MAE),若生成4,则计算该目标数据对应的平均绝对百分比误差(MAPE)。
S205b、根据至少一个指标数据中的均方根误差,对初始供水预测模型中每层对应的权重数据进行更新,得到更新后的权重数据;
在得到至少一个指标数据之后,需要根据均方根误差对初始供水预测模型中每层对应的权重数据进行更新,以便在后续的步骤中,终端可以根据更新后的权重数据,得到供水预测模型。
其中,权重的更新公式为
W11,ij(t)=W1,i,j(t)+ΔWij,W12i,j(t)=W2,i,j(t)+ΔWij…W1n,i,j(t)=Wn,i,j(t)+ΔWij,w11,i,j(t)为一层权重数据中,可视层中各个数据与隐含层中的各个数据之间的权重。
另外,上式中的其中,E为均方误差(MSE),ε为预设的学习率,在本发明是实施例中可以将ε预设为0.02。
需要说明的是,w11,i,j(t),w12,i,j(t)…w1n,i,j(t)为每层对应的更新后的权重数据,w1,i,j(t),w2,i,j(t)…wn,i,j(t)为当前次数更新前的每层对应的权重数据。
S205c、将初始供水预测模型中每层对应的权重数据替换为更新后的权重数据,得到供水预测模型。
在得到更新后的权重数据之后,需要将初始供水预测模型中每层对应的权重数据替换为更新后的权重数据,从而可以得到供水预测模型,以便在后续的步骤中,可以通过供水预测模型根据第一基础数据,输出对应的预测数据。
具体地,在对初始供水预测模型中每层对应的权重数据进行更新后,判断权重更新的过程是否满足预设条件时,若不满足预设条件,则继续执行步骤S205a、S205b和S205c,若满足预设条件,得到供水预测模型。
其中,权重更新的过程满足预设条件可以为,若对于权重数据的更新次数达到预设更新次数时,可以停止对于每层对应的权重数据的更新,也即是得到供水预测模型。也可以为若至少一个指标数据小于指标数据对应的阈值时,可以停止对于每层对应的权重数据的更新,也即是得到供水预测模型。
需要说明的是,预设更新次数可以为1000次,也可以为1200次,还可以根据实际需求进行设定,本发明实施例对此不进行具体限制。,
S206、将第一基础数据输入基于深度信念网络的供水预测模型,得到供水预测模型输出的预测数据。
在本发明实施例中,S206的过程与上述S102的过程类似,在此不再一一赘述。
S207、根据第一预设规则对预测数据进行修正,得到最终预测数据,
其中,最终预测数据为预测得到的所述目标区域内的需水量。
在本发明实施例中,S207的过程与上述S103的过程类似,在此不再一一赘述。
本发明实施例提供一种供水预测方法,通过第一基础数据,第一基础数据用于预测目标区域内的需水量;将第一基础数据输入基于深度信念网络的供水预测模型,得到供水预测模型输出的预测数据,根据第一预设规则对预测数据进行修正,得到最终预测数据,最终预测数据为预测得到的目标区域内的需水量。通过基于深度信念网络的供水预测模型对第一基础数据进行预测得到预测数据,并对预测数据进行修正得到最终预测数据,避免了现有技术中,通过BP神经网络预测用水数据时,并未对预测的用水数据进行修正,导致输出的预测的用水数据误差较大的问题,提高了预测的用水数据的准确性。
图4为本发明实施例提供的一供水预测装置的结构示意图,如图4所示,装置包括:
获取模块401,用于获取第一基础数据,第一基础数据用于预测目标区域内的需水量;
输入模块402,用于将第一基础数据输入基于深度信念网络的供水预测模型,得到供水预测模型输出的预测数据;
修正模块403,用于根据第一预设规则对预测数据进行修正,得到最终预测数据,最终预测数据为预测得到的目标区域内的需水量。
进一步地,获取模块401,具体用于获取原始数据,原始数据为目标区域内的历史用水数据;对原始数据进行筛选,得到筛选后的原始数据,筛选后的原始数据包括第一基础数据和第二基础数据,第二基础数据用于训练供水预测模型。
进一步地,获取模块401,还具体用于对原始数据中的异常数据进行替换,得到替换后的原始数据;对替换后的原始数据进行平滑处理,得到平滑处理后的原始数据;对平滑处理后的原始数据进行归一化处理,得到筛选后的原始数据。
进一步地,如图5所示,装置还包括:
建立模块404,用于通过深度信念网络建立初始供水预测模型,深度信念网络包括多层受限玻尔兹曼机;
预测模块405,用于根据初始供水预测模型中每层对应的权重数据,结合第二基础数据进行预测,得到目标数据;
更新模块406,用于根据目标数据和与第二基础数据对应的标准数据,采用梯度下降法对初始供水预测模型进行更新,得到供水预测模型。
进一步地,更新模块406,具体用于根据目标数据和标准数据进行计算,得到至少一个指标数据;根据至少一个指标数据中的均方根误差,对初始供水预测模型中每层对应的权重数据进行更新,得到更新后的权重数据;将初始供水预测模型中每层对应的权重数据替换为更新后的权重数据,得到供水预测模型。
上述装置用于执行前述实施例提供的方法,其实现原理和技术效果类似,在此不再赘述。
以上这些模块可以是被配置成实施以上方法的一个或多个集成电路,例如:一个或多个特定集成电路(Application Specific Integrated Circuit,简称ASIC),或,一个或多个微处理器(digital singnal processor,简称DSP),或,一个或者多个现场可编程门阵列(Field Programmable GateArray,简称FPGA)等。再如,当以上某个模块通过处理元件调度程序代码的形式实现时,该处理元件可以是通用处理器,例如中央处理器(CentralProcessing Unit,简称CPU)或其它可以调用程序代码的处理器。再如,这些模块可以集成在一起,以片上系统(system-on-a-chip,简称SOC)的形式实现。
图6为本发明实施例提供的一供水预测装置的结构示意图,该装置可以集成于终端设备或者终端设备的芯片,该终端可以是具备数据处理功能的计算设备。
该装置包括:处理器601、存储器602。
存储器602用于存储程序,处理器601调用存储器602存储的程序,以执行上述方法实施例。具体实现方式和技术效果类似,这里不再赘述。
可选地,本发明还提供一种程序产品,例如计算机可读存储介质,包括程序,该程序在被处理器执行时用于执行上述方法实施例。
在本发明所提供的几个实施例中,应该理解到,所揭露的装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用硬件加软件功能单元的形式实现。
上述以软件功能单元的形式实现的集成的单元,可以存储在一个计算机可读取存储介质中。上述软件功能单元存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)或处理器(英文:processor)执行本发明各个实施例所述方法的部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(英文:Read-Only Memory,简称:ROM)、随机存取存储器(英文:Random Access Memory,简称:RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
上仅为本申请的具体实施方式,但本申请的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应以权利要求的保护范围为准。
Claims (10)
1.一种供水预测方法,其特征在于,包括:
获取第一基础数据,所述第一基础数据用于预测目标区域内的需水量;
将所述第一基础数据输入基于深度信念网络的供水预测模型,得到所述供水预测模型输出的预测数据;
根据第一预设规则对所述预测数据进行修正,得到最终预测数据,所述最终预测数据为预测得到的所述目标区域内的需水量。
2.如权利要求1所述的方法,其特征在于,所述获取第一基础数据,包括:
获取原始数据,所述原始数据为所述目标区域内的历史用水数据;
对所述原始数据进行筛选,得到筛选后的原始数据,所述筛选后的原始数据包括所述第一基础数据和第二基础数据,所述第二基础数据用于训练所述供水预测模型。
3.如权利要求2所述的方法,其特征在于,所述对所述原始数据进行筛选,得到筛选后的原始数据,包括:
对所述原始数据中的异常数据进行替换,得到替换后的原始数据;
对所述替换后的原始数据进行平滑处理,得到平滑处理后的原始数据;
对所述平滑处理后的原始数据进行归一化处理,得到筛选后的原始数据。
4.如权利要求2所述的方法,其特征在于,在所述将所述第一基础数据输入供水预测模型之前,所述方法还包括:
通过深度信念网络建立初始供水预测模型,所述深度信念网络包括多层受限玻尔兹曼机;
根据所述初始供水预测模型中每层对应的权重数据,结合所述第二基础数据进行预测,得到目标数据;
根据所述目标数据和与所述第二基础数据对应的标准数据,采用梯度下降法对所述初始供水预测模型进行更新,得到所述供水预测模型。
5.如权利要求4所述的方法,其特征在于,所述根据所述目标数据和与所述第二基础数据对应的标准数据,采用梯度下降法对所述初始供水预测模型进行更新,得到所述供水预测模型,包括:
根据所述目标数据和所述标准数据进行计算,得到至少一个指标数据;
根据至少一个所述指标数据中的均方根误差,对所述初始供水预测模型中每层对应的权重数据进行更新,得到更新后的权重数据;
将所述初始供水预测模型中每层对应的权重数据替换为所述更新后的权重数据,得到所述供水预测模型。
6.一种供水预测装置,其特征在于,包括:
获取模块,用于获取第一基础数据,所述第一基础数据用于预测目标区域内的需水量;
输入模块,用于将所述第一基础数据输入基于深度信念网络的供水预测模型,得到所述供水预测模型输出的预测数据;
修正模块,用于根据第一预设规则对所述预测数据进行修正,得到最终预测数据,所述最终预测数据为预测得到的所述目标区域内的需水量。
7.如权利要求6所述的装置,其特征在于,所述获取模块,具体用于获取原始数据,所述原始数据为所述目标区域内的历史用水数据;对所述原始数据进行筛选,得到筛选后的原始数据,所述筛选后的原始数据包括所述第一基础数据和第二基础数据,所述第二基础数据用于训练所述供水预测模型。
8.如权利要求7所述的装置,其特征在于,所述获取模块,还具体用于对所述原始数据中的异常数据进行替换,得到替换后的原始数据;对所述替换后的原始数据进行平滑处理,得到平滑处理后的原始数据;对所述平滑处理后的原始数据进行归一化处理,得到筛选后的原始数据。
9.如权利要求7所述的装置,其特征在于,所述装置还包括:
建立模块,用于通过深度信念网络建立初始供水预测模型,所述深度信念网络包括多层受限玻尔兹曼机;
预测模块,用于根据所述初始供水预测模型中每层对应的权重数据,结合所述第二基础数据进行预测,得到目标数据;
更新模块,用于根据所述目标数据和与所述第二基础数据对应的标准数据,采用梯度下降法对所述初始供水预测模型进行更新,得到所述供水预测模型。
10.如权利要求9所述的装置,其特征在于,所述更新模块,具体用于根据所述目标数据和所述标准数据进行计算,得到至少一个指标数据;根据至少一个所述指标数据中的均方根误差,对所述初始供水预测模型中每层对应的权重数据进行更新,得到更新后的权重数据;将所述初始供水预测模型中每层对应的权重数据替换为所述更新后的权重数据,得到所述供水预测模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910301718.7A CN110009161A (zh) | 2019-04-15 | 2019-04-15 | 供水预测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910301718.7A CN110009161A (zh) | 2019-04-15 | 2019-04-15 | 供水预测方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110009161A true CN110009161A (zh) | 2019-07-12 |
Family
ID=67172045
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910301718.7A Pending CN110009161A (zh) | 2019-04-15 | 2019-04-15 | 供水预测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110009161A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111105065A (zh) * | 2019-09-26 | 2020-05-05 | 深圳市东深电子股份有限公司 | 一种基于机器学习的农村供水系统及供水方法 |
CN111832790A (zh) * | 2019-10-28 | 2020-10-27 | 吉林建筑大学 | 一种供水管网预测中长期需水量的方法及系统 |
CN116562600A (zh) * | 2023-07-11 | 2023-08-08 | 中关村科学城城市大脑股份有限公司 | 供水控制方法、装置、电子设备和计算机可读介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103745087A (zh) * | 2013-12-18 | 2014-04-23 | 广西生态工程职业技术学院 | 一种基于遥感技术的森林资源动态变化预测方法 |
US20140278130A1 (en) * | 2013-03-14 | 2014-09-18 | William Michael Bowles | Method of predicting toxicity for chemical compounds |
CN104616033A (zh) * | 2015-02-13 | 2015-05-13 | 重庆大学 | 基于深度学习和支持向量机的滚动轴承故障诊断方法 |
CN108710974A (zh) * | 2018-05-18 | 2018-10-26 | 中国农业大学 | 一种基于深度置信网络的水体氨氮预测方法及装置 |
-
2019
- 2019-04-15 CN CN201910301718.7A patent/CN110009161A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140278130A1 (en) * | 2013-03-14 | 2014-09-18 | William Michael Bowles | Method of predicting toxicity for chemical compounds |
CN103745087A (zh) * | 2013-12-18 | 2014-04-23 | 广西生态工程职业技术学院 | 一种基于遥感技术的森林资源动态变化预测方法 |
CN104616033A (zh) * | 2015-02-13 | 2015-05-13 | 重庆大学 | 基于深度学习和支持向量机的滚动轴承故障诊断方法 |
CN108710974A (zh) * | 2018-05-18 | 2018-10-26 | 中国农业大学 | 一种基于深度置信网络的水体氨氮预测方法及装置 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111105065A (zh) * | 2019-09-26 | 2020-05-05 | 深圳市东深电子股份有限公司 | 一种基于机器学习的农村供水系统及供水方法 |
CN111832790A (zh) * | 2019-10-28 | 2020-10-27 | 吉林建筑大学 | 一种供水管网预测中长期需水量的方法及系统 |
CN116562600A (zh) * | 2023-07-11 | 2023-08-08 | 中关村科学城城市大脑股份有限公司 | 供水控制方法、装置、电子设备和计算机可读介质 |
CN116562600B (zh) * | 2023-07-11 | 2023-09-19 | 中关村科学城城市大脑股份有限公司 | 供水控制方法、装置、电子设备和计算机可读介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Li et al. | Prediction for tourism flow based on LSTM neural network | |
Chen et al. | A weighted LS-SVM based learning system for time series forecasting | |
Ayvaz | Simultaneous determination of aquifer parameters and zone structures with fuzzy c-means clustering and meta-heuristic harmony search algorithm | |
Pickardt et al. | Evolutionary generation of dispatching rule sets for complex dynamic scheduling problems | |
Sudheer et al. | Radial basis function neural network for modeling rating curves | |
WO2020117991A1 (en) | Generating integrated circuit floorplans using neural networks | |
KR940009780B1 (ko) | 자원 할당방법 및 장치 | |
CN110009161A (zh) | 供水预测方法及装置 | |
CN106055379A (zh) | 用于调度计算任务的方法和系统 | |
CN109815980A (zh) | 用户类型的预测方法、装置、电子设备及可读存储介质 | |
CN105989441A (zh) | 模型参数调整方法和装置 | |
Digalakis et al. | A multipopulation cultural algorithm for the electrical generator scheduling problem | |
WO2017161646A1 (zh) | 大数据量预测的三层联合动态选择最优模型方法 | |
JP2006221310A (ja) | 予測方法、予測装置、予測プログラムおよび記録媒体 | |
KR20150009375A (ko) | 전력 사용량 예측 방법 및 그 장치 | |
CN107609583A (zh) | 分类模型的参数优化方法、装置、计算机设备及存储介质 | |
CN110334879A (zh) | 电网母线无功负荷预测方法及装置 | |
CN110110226A (zh) | 一种推荐算法、推荐系统及终端设备 | |
CN109064212A (zh) | 商品价格预测方法及装置 | |
CN110335067A (zh) | 一种交易预测模型构建方法及装置 | |
CN107094093A (zh) | 网络系统中的网络设备周期性的性能指标数据预测方法 | |
CN109993205A (zh) | 时间序列预测方法、装置、可读存储介质及电子设备 | |
Ahmadi et al. | Robust methods for identifying optimal reservoir operation strategies using deterministic and stochastic formulations | |
Anjum et al. | Parallel operated hybrid Arithmetic-Salp swarm optimizer for optimal allocation of multiple distributed generation units in distribution networks | |
CN110007371A (zh) | 风速预测方法及装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190712 |