CN111626518A - 基于深度学习神经网络的城市天级需水量在线预测方法 - Google Patents
基于深度学习神经网络的城市天级需水量在线预测方法 Download PDFInfo
- Publication number
- CN111626518A CN111626518A CN202010482458.0A CN202010482458A CN111626518A CN 111626518 A CN111626518 A CN 111626518A CN 202010482458 A CN202010482458 A CN 202010482458A CN 111626518 A CN111626518 A CN 111626518A
- Authority
- CN
- China
- Prior art keywords
- data
- urban
- prediction
- water consumption
- model
- 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 181
- 238000000034 method Methods 0.000 title claims abstract description 45
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 21
- 238000013135 deep learning Methods 0.000 title claims abstract description 17
- 230000007246 mechanism Effects 0.000 claims abstract description 33
- 230000002159 abnormal effect Effects 0.000 claims abstract description 23
- 230000000694 effects Effects 0.000 claims abstract description 18
- 238000007781 pre-processing Methods 0.000 claims abstract description 14
- 238000010219 correlation analysis Methods 0.000 claims abstract description 8
- 238000012937 correction Methods 0.000 claims description 47
- 230000009467 reduction Effects 0.000 claims description 20
- 230000008859 change Effects 0.000 claims description 12
- 238000012545 processing Methods 0.000 claims description 10
- 238000012549 training Methods 0.000 claims description 10
- 230000009191 jumping Effects 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims description 2
- 238000013527 convolutional neural network Methods 0.000 abstract description 5
- 230000002354 daily effect Effects 0.000 description 32
- 230000006870 function Effects 0.000 description 10
- 239000013598 vector Substances 0.000 description 9
- 238000011160 research Methods 0.000 description 8
- 238000004458 analytical method Methods 0.000 description 7
- 239000011159 matrix material Substances 0.000 description 7
- 238000011176 pooling Methods 0.000 description 6
- 238000013507 mapping Methods 0.000 description 4
- 230000004913 activation Effects 0.000 description 3
- 230000008901 benefit Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 238000007619 statistical method Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000002457 bidirectional effect Effects 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000003203 everyday effect Effects 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 239000013618 particulate matter Substances 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 230000007787 long-term memory Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000015654 memory Effects 0.000 description 1
- 230000005012 migration Effects 0.000 description 1
- 238000013508 migration Methods 0.000 description 1
- YHXISWVBGDMDLQ-UHFFFAOYSA-N moclobemide Chemical compound C1=CC(Cl)=CC=C1C(=O)NCCN1CCOCC1 YHXISWVBGDMDLQ-UHFFFAOYSA-N 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 238000002922 simulated annealing Methods 0.000 description 1
- 238000013179 statistical model Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
Images
Classifications
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/21—Design, administration or maintenance of databases
- G06F16/215—Improving data quality; Data cleansing, e.g. de-duplication, removing invalid entries or correcting typographical errors
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2465—Query processing support for facilitating data mining operations in structured databases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2474—Sequence data queries, e.g. querying versioned data
-
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- 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
- G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- General Engineering & Computer Science (AREA)
- Economics (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Human Resources & Organizations (AREA)
- General Health & Medical Sciences (AREA)
- Strategic Management (AREA)
- Evolutionary Computation (AREA)
- Quality & Reliability (AREA)
- Molecular Biology (AREA)
- Probability & Statistics with Applications (AREA)
- Biophysics (AREA)
- Fuzzy Systems (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Computing Systems (AREA)
- Tourism & Hospitality (AREA)
- Operations Research (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于深度学习神经网络的城市天级需水量在线预测方法,包括:获取城市天级用水量原始时间序列数据;对异常数据进行预处理;对预处理之后的时间序列数据进行相关性分析;采用CNN‑Bi‑LSTM‑Self‑Attention方法,建立所述城市天级需水量预测模型;对节假日、异常气候建立基于统计专家库模型的纠偏机制;采用所述城市天级需水量在线预测方法进行实时预测;计算预测误差,如果所述预测误差没有到达所设定的预测误差的要求,对所述城市天级需水量预测模型进行改进。将CNN和Bi‑LSTM神经网络以及自注意力和纠偏机制进行结合,使得预测模型得到了较大的改善,提高了预测效果。
Description
技术领域
本发明涉及城市短期需水量预测技术领域,尤其涉及一种基于深度学习神经网络的城市天级需水量在线预测方法。
背景技术
城市短期需水量预测作为供水智能调度当中的重要组成部分一直是研究的热点所在,通过对短期需水量预测来辅助城市供水调度,使得供水的效益实现最大化。同时也为城市供水管网的漏损检测提供了相关的数据支撑,为城市供水管网的智能化检测打下了基础。因此,城市短期需水量预测对于城市供水智能化以及提高城市供水的经济效益有着很重要的价值。
目前,国内和国际城市使用较多的需水量预测方法主要是多元线性回归,模拟退火,粒子群等方法,此类方法能够对不同时期,不同情况的需水量进行预测,但其模型的精确度和稳定性在实际的工业应用上仍然难以达到实际的要求。而对于春节、国庆等节假日期间,现有的模型预测效果不佳,不能满足实际应用。
此外,虽然对于城市短期需水量预测的研究已经很丰富了,但是结合深度学习长短期记忆(LSTM)神经网络和卷积神经网络(CNN)以及注意力机制的城市短期需水量预测的研究相对较少。这主要体现在:1、对于城市短期需水量预测研究主要集中在诸如SVM和ARIMA等传统的时间序列模型;2、即使是釆用深度学习的预测方法,结合CNN和双向长短期记忆(Bi-LSTM)神经网络进行城市短期需水量预测的研究比较缺乏;3、针对特殊情况下的城市短期需水量的研究并结合具体的气候和社会传统节假日建立对应纠偏机制的研究也相对不多;4、融入注意力机制的预测模型实现对时间序列的城市需水量预测的研究较少,而指向在线的工业应用的则更少。
综上所述,一种良好的城市天级需水量预测方法应该满足以下要求:1、模型构建可行且方便;2、能够应对特殊的节假日和异常的气象条件下城市需水量的预测;3、能够对实际工况条件下的异常数据、重复和缺失数据进行识别并进行处理;4、预测模型能够满足实际工程的需求,具有较好的泛化能力。
因此,本领域的技术人员致力于开发一种基于深度学习神经网络的城市天级需水量在线预测方法,结合深度学习建立了融合多影响因子构建了节假日和高温等气候下纠偏机制的城市短期需水量预测模型,满足了实际的工程应用需求,并将CNN和Bi-LSTM神经网络以及自注意力(Self-Attention)机制和纠偏机制进行结合,使得预测模型得到了较大的改善,提高了预测效果。
发明内容
有鉴于现有技术的上述缺陷,本发明所要解决的技术问题是如何在节假日和异常的气象条件下在线预测城市天级需水量和如何提高预测精确度。
为实现上述目的,本发明提供了一种基于深度学习神经网络的城市天级需水量在线预测方法,所述方法包括以下步骤:
步骤1、获取城市天级用水量原始时间序列数据:获取所要预测城市供水区域内在一时间段内的历史用水量数据;获取历史节假日数据、日最高气温、日最低气温以及天气种类数据;获取所要预测的未来七天的日最高气温、日最低气温和天气种类数据,判断未来七天是否有节假日,获得节假日数据;
步骤2、对所述历史用水量数据按照时标和数据的波动范围逐个判断是否为异常数据,对异常数据进行预处理,所述异常数据包括缺失数据、重复数据和跳变数据;
步骤3、对预处理之后的时间序列数据进行相关性分析;
步骤4、采用CNN-Bi-LSTM-Self-Attention方法,建立所述城市天级需水量预测模型,选取相关系数大于设定值的时间序列数据作为模型训练数据;
步骤5、对节假日、异常气候建立基于统计专家库模型的纠偏机制;
步骤6、采用所述城市天级需水量在线预测方法进行实时预测;
步骤7、计算预测误差,如果所述预测误差超过预测误差设定值,则对所述城市天级需水量预测模型进行改进并重复步骤6。
进一步地,所述步骤2中所述缺失数据是指历史某一天或某一时段的用水量数据的缺失,所述重复数据是指连续两天及以上的用水量数据值不变或者数据时标不变;所述跳变数据是指与相邻的用水量数据的偏差均在10%以上的数据。
进一步地,所述步骤2中对缺失数据进行预处理具体包括釆用K最近邻插补法处理所述缺失数据。
进一步地,所述步骤2中对重复数据进行预处理具体包括对于时标相同的重复数据,如果数值相同,去掉后一个重复数据;如果数值不同,对两个重复数据的可信度进行分析,选取可信度高的数值。
进一步地,所述步骤2中对跳变数据进行预处理具体包括对跳变的数据釆用前后相邻的数据变化率上下限约束处理所述跳变数据。
进一步地,所述步骤3中对预处理之后的时间序列数据进行相关性分析包括以下步骤:
步骤3.1、对所述的历史用水量数据的自相关性进行分析;
步骤3.2、对影响城市用水量的气象因子和城市用水量进行相关性分析。
进一步地,所述步骤4中选取相关系数大于设定值的时间序列数据具体包括选取历史用水量自相关性大于设定值的一组历史用水量数据,所述一组历史用水量数据包括预测时刻前50天内的用水量。
进一步地,所述步骤4中选取相关系数大于设定值的时间序列数据具体包括选取气候数据和历史用水量相关性大于设定值的一组气象数据,所述一组气象数据包括日最高气温、日最低气温。
进一步地,所述步骤5中对节假日、异常气候建立基于统计专家库模型的纠偏机制具体包括以下步骤:
步骤5.1、分析元旦、春节、清明、五一、端午、国庆、中秋节假日期间的城市天级用水量过去的变化规律,统计出节假日期间每天的用水量的平均降幅、最大降幅、最小降幅以及降幅的中位数,建立基于统计专家库模型的节假日因素纠偏机制;
步骤5.2、分析高温天气下,每一温度段,用水量随着气温的增降所带来的用水量的增降比的中位数、平均降幅、最大和最小降幅,建立基于统计专家库模型的高温天气因素纠偏机制;
步骤5.3、分析台风等级和实际用水量的拟合关系,建立台风天气因素纠偏机制。
进一步地,所述步骤7中对所述城市天级需水量预测模型进行改进具体包括以下步骤:
步骤7.1、设定纠偏阈值,对经过纠偏后的预测值超出纠偏阈值的纠偏系数进行修正;
步骤7.2、釆用迭代寻优的方式对预测模型的权重值和偏置参数进行优化,提高模型的预测效果。
与现有技术相比,本发明提供的基于深度学习神经网络的城市天级需水量在线预测方法,具有以下有益效果:
1、对城市历史的用水量数据进行了足够的预处理,尽可能的使得模型所训练的历史用水量序列反映实际的变化规律;
2、城市用水受到多种影响因素的干扰,呈现出一定的非线性,导致其难以建立精确的预测模型。本发明采用将卷积神经网络(CNN)和长短期记忆(LSTM)神经网络以及自注意力(Self-Attention)机制进行结合,能够很好地将这两种深度学习模型和自注意力机制的各自特点进行优势互补,很好的解决了城市供水的非线性,精确建模难的间题;且该模型的训练时间相对较短,模型的泛化性能也较好;
3、针对于节假日,高温天气和台风天气等特殊情况下的城市用水量急剧变化的特点,构建了基于统计专家库的纠偏机制,从而提高模型的适应性和精度。
附图说明
图1是本发明的一个较佳实施例的基于CNN-Bi-LSTM-Self-Attention的城市天级需水量在线预测方法框图;
图2是本发明的一个较佳实施例的预测模型的训练流程图;
图3是CNN、Bi-LSTM、CNN-Bi-LSTM、CNN-Bi-LSTM-Attention以及CNN-Bi-LSTM-Self-Attention五种模型的预测效果对比图。
具体实施方式
以下参考说明书附图介绍本发明的优选实施例,使其技术内容更加清楚和便于理解。本发明可以通过许多不同形式的实施例来得以体现,本发明的保护范围并非仅限于文中提到的实施例。
如图1所示,本发明的一个实施例的基于CNN-Bi-LSTM-Self-Attention城市天级需水量在线预测方法,通过对节假日数据、天气数据和水量数据进行相关性分析,找出对城市需水量影响最大的相关性因子,然后将选取的数据进行清洗、归一化。再将数据输入到Bi-LSTM网络中进行处理变成数据序列输入到CNN网络,通过卷积神经网络处理后,再将CNN处理过之后的特征数据经过Self-Attention机制和Dropout处理,最后经过全连接网络输入到纠偏网络,经过节假日纠偏和温度纠偏等处理后,最终得到未来7天的需水量预测值。通过需水量预测系统可以对当天以及未来6天,总计7天的需水量进行预测,并将预测的信息推送到显示平台。
如图2所示,从数据库中提取出初始的数据,并对本地数据库进行更新,将其更新后的数据进行预处理并划分成训练数据和测试数据,训练数据输入模型,在确定网络模型的结构函数和相关参数以及各个隐藏层的输入和输出之后,计算损失误差函数,调整各层之间的连接权重,在模型训练完设定次数并达到收敛状态时,将训练好的模型输入测试数据,得到相应的输出预测值,计算预测模型的预测误差。
本发明的一个实施例的基于CNN-Bi-LSTM-Self-Attention城市天级需水量在线预测方法,包括以下步骤:
a)获取城市天级用水量原始时间序列数据:从数据库中获取历史一段的数据,其中包括日用水量数据、日最高气温数据、日最低气温数据;
b)对获取的历史的水量数据按照时标和数据的波动范围进行逐个判断查询,对缺失的、重复的、异常的数据进行预处理;
c)更新水量数据和未来七天的日最高气温和日最低气温以及天气种类数据,并判断未来七天是否有节假日,若有,则将节假日信息写入;
d)分析经过预处理和更新后的历史用水量数据和各个影响因素之间的相关性;
e)选取样本:选取前80%的历史时间序列数据作为建模的训练样本,后20%的历史时间序列数据作为模型的测试样本;
f)训练建立CNN-Bi-LSTM-Self-Attention网络模型,其由输入层、卷积层、最大采样层、Bi-LSTM层、Self-Attention层和Dropout层和全连接层组成,先对城市需水量通过Bi-LSTM模型学习,获取学习的向量,再使用CNN对水量信息的相关的特征进行提取。然后,再和准备好的Self-Attention机制进行结合,最后再进行联合编码,从而优化预测结果达到好的预测效果;
g)判读预测日是否为节假日,是否有异常的天气情况,如有节假日或者异常的天气情况,则对CNN-Bi-LSTM-Self-Attention网络模型预测出来的水量数据值按照对应的纠偏机制进行修正处理;
h)将经过CNN-Bi-LSTM-Self-Attention预测模型预测出的水量值和经过纠偏后的水量值和实际的历史用水量进行比较,判断模型的预测值以及纠偏机制的修正值和真实值的预测误差是否满足精度的要求。如果不满足,则对预测模型和纠偏机制进行改进,并在此基础上让模型实时的在线滚动预测。
以下更为具体地描述本发明的基于CNN-Bi-LSTM-Self-Attention城市天级需水量在线预测方法。具体步骤如下:
步骤一、原始数据获取
选取某城市区域2017年2月15日至2019年12月8日的天级供水水量数据。通过网络爬虫从“中国天气网”上爬取每日的最高气温和最低气温,以及天气种类数据。通过计算判断预测当日是否为节假日。
步骤二、城市用水量数据的预处理
水量数据作为预测模型的运行基础材料,为了确保模型在正常的情况下有较好的预测效果,高质量的数据准备是必要的。但是,由于人为因素或者非人为因素,比如:异常工况等影响,导致很多的数据传输中断,或者传输的数据由于传感器自身等原因出现了跳变或者重复等问题,导致实际的数据质量普遍不佳。因而,很有必要对釆集到的数据进行清洗处理,以此提高数据本身的质量。
数据缺失:为了更好的预测,要把不连续的有缺失的数据进行插补。本实施例釆用K最近邻插补法对缺失的数据进行插补。K最近邻插补法,其算法是分别计算和缺失样本完整的变量距离最近的k个样本的距离,最后再利用这k个距离来加权这k个样本对应的缺失样本的缺失项,从而得出估计值。通过使用辅助变量从而设定距离函数,定义k最近邻插补的距离函数的种类有很多种,如果只有一个辅助变量X1,其构造的距离函数为:D1=|x1i-x1j|,使用多个辅助变量来构造的距离函数为:D2=SupkIk|xki-xkj|,其中的Ik则是用马氏距离表示第k个变量的重要程度:Sxx是xi的协方差阵的一个估计。
本实施例釆用第二种方法来插补缺失值,使用k近邻插补后的缺失值的估计值为:
数据重复:数据重复分两类,一类是时标相同,数值也相同,此类数据保留第一个数据,去掉后续重复的数据即可。第二类是时标相同,数值不同,这类数据需要对重复的两个数据值的可信度进行分析,选取其中可信度较高的数据。当前时刻时间为数值为ti,数值为Qi,前一时刻时间为ti-1,数值为Qi-1,后一时刻时间为数值为ti+1,数值为Qi+1,通过对前后正常数据进行插值,与当前时刻重复数据进行比较,选取与插值最接近的重复数值作为正确值。
数据异常:如果t时刻的数据Qt和t-1时刻以及t+1时刻的数据的绝对误差大于10%,就被称为异常值和跳变值。本实施例对个别有异常的流量数据釆用线性插补的方法插补处理。例如,对于第t天的异常流量Qt,要对其进行插补,则需要找到和Qt距离最近的且没有奇异的前tA天的流量值QtA和后tB天的流量数值QtB,因而,缺失的数值其计算如下:
步骤三、影响因素相关性分析和输入模型变量的选取
历史水量因素:
历史用水量的自相关性分析:预测的当日用水量与前几日的用水量有一定的趋势性关系,我们利用自相关分析公式对历史数据进行分析,得到每日水量与历史水量的相关关系。其中自相关性公式如下:
气象因素:
会对城市用水产生影响的除了每天气温的高低、露点、湿度以及风速和大气压强等气候因素还有空气质量因素。其中空气质量指数(Air Quality Index,AQI)、空气质量等级、空气质量指数排名、颗粒物(particulate matter,PM)对用水也有影响。在此选取相关系数值大于0.6的气候影响因子有:日最高气温和日最低气温以及日最高露点和日最低露点,由于露点本身和气温的高度相关性,在此选取日最高气温和日最低气温作为模型的输入变量。
节假日因素:
每到节假日,由于生产生活的变化以及人口迁徙效应,会对整个城市的需水量产生较大的影响,因而需要研究节假日对供水量变化的影响,我们选取2005至2018年某城区的历史数据,着重对十一黄金周、春节长假以及各大法定节假日的用水量变化进行分析。统计近14年某城区的用水量数据在同一节假日每天的用水量增降幅度的统计变量,建立统计专家库,由此构建对应的纠偏机制。
步骤四、通过CNN-Bi-LSTM-Self-Attention预测模型进行城市天级需水量预测
输入的变量包括和预测当天的城市用水量相关性较大的历史50天的用水量数据,日最高气温和日最低气温以及节假日数据。
先对城市用水量通过Bi-LSTM模型学习,获取学习的向量,再使用CNN对水量信息的相关的特征进行提取。然后再和准备好的Self-Attention机制进行结合,最后再进行联合编码,从而优化预测结果达到好的预测效果。
①输入层:
首先,我们考虑在预处理之后,输入历史用水量数据Input(i1,i2,...,in),Input∈Rm×n。
②Bi-LSTM层:
将输入的历史用水量数据Input(i1,i2,...,in)的时间序列数据经过处理之后,变成新的时间序列数据X(x1,x2,...,xn),X∈Rm×n;
③递归卷积(Recurrent convolution):
递归卷积与标准卷积略有不同。在该模型中,递归卷积在卷积层使用层内递归连接。因此,通过在卷积层内使用递归连接,卷积层的每个神经元表现为双向递归神经网络(RNN)。这些滑动卷积的双向递归连接在第一次计算卷积特征映射上的应用将在学习水量信息特征的第二步继续使用。从先前的隐藏状态h(t-1)计算出的特征映射被再次返回到输入x(t)的下一个隐藏状态h(t)。第二步的特征映射h(t)将使用先前的特征映射以及之前的原始输入:
h(t)=f(x(t),h(t-1),w)
其中,函数f描述了权重参数和历史用水量信息的关系。为了能够对权值w进行优化,在此釆用随机梯度下降法。因为考虑了卷积层内的双向递归连接,因此使用递归连接和前馈连接得到最终的递归卷积,如下所示:
在该模型中,在层内重复连接的情况下,模型的感受野会随着时间的不断增加而增加,这有助于从历史用水量数据中提取高层水量信息特征;
④自注意力(Self-Attention)机制层:
为了计算卷积特征的注意力向量,我们将对从递归卷积接收到的隐藏状态序列hi应用注意力机制。如上所述,本小节的模型是在卷积层内使用层内的递归连接;
在自注意力中,我们需要所有的隐藏状态(卷积特征)作为输入来获得注意力向量。因此,我们将通过对所有卷积特征进行加权求和得到所有卷积特征的自注意力向量Ci,如下所示:
Ci=∑softmax(ai)
其中,Wi和ai是权重矩阵和注意力权重。Ci是在递归卷积训练中共同学习的注意力向量。这些注意力向量将聚焦在需水量预测中起有效作用的连续特征;
⑤基于自注意力的递归卷积:
对于基于自注意力的递归卷积,我们使用上述计算出的注意力前后的历史水量向量,其递归卷积如下
另一方面,上述方程式也可以写成:
式中i=1,2,...,l并且j=1,2,...,n;
w1∈Rl*nm,w2∈Rl*nm,w3∈Rl*nm是权值矩阵,x(t)和b1是输入的水量信息和偏置项,h(t-1)'是一次计算的卷积,Ci是注意力向量,从h1(t)得到的注意力卷积将是新的特征映射;
⑥卷积层:
在本实施例的需水量预测模型中的Self-Attention层之后加上一个卷积层。对在Self-Attention层生成的多维度特征矩阵进行卷积操作,以获取水量信息局部特征。水量信息表示的维度和卷积核的大小是相同的,在此使用大小为k∈Rl*nm的卷积核对特征矩阵的l个水量信息进行卷积操作。捕获的每一个特征都可以由以下公式表示:
利用整流线性单元(ReLu)作为特征映射的非线性关系的激活函数。数学上,ReLu定义如下:
⑦池化层:
而本实施例釆取Max Pooling,即在每一个区域中寻找最大值,从而得到整个水量信息;池化是在特征映射进行的,该特征映射是从历史用水量信息中提取大量数据特征的注意递归卷积。如下所示操作是在特征映射上进行的,该特征映射从历史用水量信息中通过注意力递归卷积提取大量的数据特征。如下所示:
⑧全连接层:
从最大的池化层中可以得到特征映射h4,而全连接通常从这一层进行操作,如下所示:
h5=w5h4+b5
其中h4和h5是从池化层和全连接层中获得的特征映射。b5和w5是全连接层的偏置和权重;
⑨输出层:
在需水量预测的输出层,我们在某城区的数据集上测试了我们的模型。我们选取历史用水量和天气数据。我们选择输出层的sigmoid激活函数作为分类器来预测未来的用水量Outputpredict。
CNN-Bi-LSTM模型其融合了CNN和Bi-LSTM两种模型的特点。一方面,通过设置CNN卷积核的大小从输入时间序列数据中提取有用的特征保证成功的进行预测,另一方面,Bi-LSTTM能够从输入数据中获取长时期的历史信息;
将Self-Attention和CNN-Bi-LSTM结合,构建自注意力机制模块,从而改善自注意力机制的表达能力和CNN的感受野,聚焦于重要的水量信息,由此提高需水量预测的精度。
步骤五、基于气象数据和节假日数据构建纠偏机制
通过研究与分析发现当遇到夏季高温天气,节假日或者发生重大经济活动时,整个城区的供水量会发生显著的变化。而该类变化主要是由于特定的日期由人为活动的改变造成的,模型无法从数据趋势中学习到相关的模型参数。因而如果仅使用预测模型对这些日期需水量进行预测,往往会发生较为重大的预测结果偏差,影响调度决策。因而,在这类时段,需要对模型预测所得到的结果进行对应的纠偏,从而使得预测结果能够更好的反映当日的供水量以提升调度效率。因此,本实施例针对高温天气、节假日等分别进行纠偏以提升模型的预测精度。
纠偏原理:
纠偏主要分为节假日的纠偏和温度段的纠偏(指当天)以及台风等天气的纠偏。城市用水的规律性决定了在节假日,因工厂放假,城区人口外流(或流进)导致了节假日期间用水量的变化,由此按照统计结果进行纠偏叫节假日纠偏。而由未来几天气温和历史数据预测得到的结果,再按温度段进行纠偏。例如在需水量预测当天的温度在10~25℃和预测的前一天温度作差,然后,再对每个温差段的预测值按统计出来的结果进行纠偏,叫做温度纠偏。
节假日纠偏模型:
对于春节期间、五一期间以及国庆期间等中国法定节日假期,本实施例釆用基于统计分析得出的节假日纠偏系数Q1来纠正需水量的预测结果。
P1=Q1P
式中,P是模型预测值,P1是经过节假日纠偏之后的值,Q1是节假日纠偏系数。
分析方法:基于统计的专家库模型
在此,以春节为例进行说明,通过对所要预测城市近几年有记录的春节假期的供水量降幅进行统计如表1:
表1
由表1可以看出,在春节期间,前四天为用水量低谷,其中大年初二初三降幅尤其大,这与市民们过年期间的活动趋势一致,而节假日纠偏系数通过比较节假日当天的预测值相比于正常工作日的降幅的百分比而产生,其经过纠偏后的预测值的降幅应当在最大降幅和最小降幅之间。
表2节假日纠偏相关系数
Q1是通过对过去十年同一节假日前后城市用水量变化的统计分析确定。例如在5月1日,Q1=0.97~0.99。在国庆节,Q1=0.94~0.97。
温度纠偏模型:
城市用水量对温度的变化敏感。特别是在夏季30℃以上的炎热天气,当温度变化一度时,城市用水量就会发生很大变化。因此,本实施例以30℃为例,分析30℃以上城市用水量的变化规律,釆用基于统计分析的温度纠偏系数来校正需水量预测结果。
T=Htemp2-Htemp1
P2=Q2P1
式中,Q2是温度纠偏系数,Htemp2是预测当天的最高温度,Htemp1是预测前一天的最高温度,T是当天预测时的最高温度与前一天的温度之间的差值。P1是经过节假日纠偏模型纠偏后的值。P2经过是温度纠偏模型纠偏后的值。
分析方法:基于统计的专家库模型
在此,以30℃到40℃为例进行说明,利用统计模型对30℃到40℃之间的用水量变化幅度与预测前五天的平均用水量之间的关系进行分析。
表3温度变化的供水量降幅
由表3可以看出,在每个温度段期间,温度变化对于城市用水量的变化具有较大的影响,尤其是在30℃到40℃之间。
而温度纠偏系数通过比较预测当天的预测值相比于预测前五天的平均用水量的增幅的百分比而产生,其经过纠偏后的预测值的降幅应当在最大增幅和最小增幅之间。
表4温度纠偏相关系数
台风纠偏方法:
以某东南沿海城市为例,以台风的级数为自变量,用水量为因变量,构建台风与需水量的拟合关系式,并由此直接得出需水量预测值,下式中y是由台风级数x拟合出来的拟合值。
y=2.2328x2-55.336x+583.79
如果判断是台风天气,则将预测的数值和拟合出来的y值进行比较,两者数值偏差超过3%,则以拟合出来的y值为输出值。
设定纠偏阈值,对经过纠偏后的预测值超出纠偏阈值的纠偏系数进行自修正:
通过比较经过纠偏系数处理后的数值和历史过去五天的平均数值两者的偏差,如果偏差大于设定的纠偏阈值,则重新按照超出纠偏阈值的百分比进行调整纠偏系数,直到纠偏后的数值满足实际的要求为止。
本实施例的预测结果分析如下:
(1)对异常值和跳变值的处理效果对比:
选取某城区2017年2月至2017年7月的历史数据对其分析,异常数据的处理结果见表5:
表5
(2)选取2018至2019年6月的历史数据作为网络训练样本,选取2019年7月的样本数据对网络进行验证。
分别采用卷积神经网络(CNN)、Bi-LSTM、CNN-Bi-LSTM、CNN-Bi-LSTM-Attention以及CNN-Bi-LSTM-Self-Attention五种模型进行预测,预测效果对比如图3所示。
表6是五种模型预测的平均相对误差、平均绝对误差、均方差、均方根误差、解释回归模型的方差的对比情况:
表6
由表6的预测结果对比,可以发现,将CNN和Bi-LSTM和Self-Attention三者模型结合起来之后,预测效果相比于单一的预测模型效果要好。
(3)节假日预测精度对比:
对于国庆、五一、中秋、端午等法定节假日,每天的平均误差对比情况见表7:
表7
(4)温度段纠偏运行结果分析(见表8):
表8
由表8可以看出,在对每个温度段预测出来的需水量数据进行纠偏以后,纠偏后的平均相对误差均有所减少,提高了需水量预测的整体精度。
以上详细描述了本发明的较佳具体实施例。应当理解,本领域的普通技术无需创造性劳动就可以根据本发明的构思作出诸多修改和变化。因此,凡本技术领域中技术人员依本发明的构思在现有技术的基础上通过逻辑分析、推理或者有限的实验可以得到的技术方案,皆应在由权利要求书所确定的保护范围内。
Claims (10)
1.一种基于深度学习神经网络的城市天级需水量在线预测方法,其特征在于,所述方法包括以下步骤:
步骤1、获取城市天级用水量原始时间序列数据:获取所要预测城市供水区域内在一时间段内的历史用水量数据;获取历史节假日数据、日最高气温、日最低气温以及天气种类数据;获取所要预测的未来七天的日最高气温、日最低气温和天气种类数据,判断未来七天是否有节假日,获得节假日数据;
步骤2、对所述历史用水量数据按照时标和数据的波动范围逐个判断是否为异常数据,对异常数据进行预处理,所述异常数据包括缺失数据、重复数据和跳变数据;
步骤3、对预处理之后的时间序列数据进行相关性分析;
步骤4、采用CNN-Bi-LSTM-Self-Attention方法,建立所述城市天级需水量预测模型,选取相关系数大于设定值的时间序列数据作为模型训练数据;
步骤5、对节假日、异常气候建立基于统计专家库模型的纠偏机制;
步骤6、采用所述城市天级需水量在线预测方法进行实时预测;
步骤7、计算预测误差,如果所述预测误差超过预测误差设定值,则对所述城市天级需水量预测模型进行改进并重复步骤6。
2.如权利要求1所述的基于深度学习神经网络的城市天级需水量在线预测方法,其特征在于,所述步骤2中所述缺失数据是指历史某一天或某一时段的用水量数据的缺失,所述重复数据是指连续两天及以上的用水量数据值不变或者数据时标不变;所述跳变数据是指与相邻的用水量数据的偏差均在10%以上的数据。
3.如权利要求1所述的基于深度学习神经网络的城市天级需水量在线预测方法,其特征在于,所述步骤2中对缺失数据进行预处理具体包括釆用K最近邻插补法处理所述缺失数据。
4.如权利要求1所述的基于深度学习神经网络的城市天级需水量在线预测方法,其特征在于,所述步骤2中对重复数据进行预处理具体包括对于时标相同的重复数据,如果数值相同,去掉后一个重复数据;如果数值不同,对两个重复数据的可信度进行分析,选取可信度高的数值。
5.如权利要求1所述的基于深度学习神经网络的城市天级需水量在线预测方法,其特征在于,所述步骤2中对跳变数据进行预处理具体包括对跳变的数据釆用前后相邻的数据变化率上下限约束处理所述跳变数据。
6.如权利要求1所述的基于深度学习神经网络的城市天级需水量在线预测方法,其特征在于,所述步骤3中对预处理之后的时间序列数据进行相关性分析包括以下步骤:
步骤3.1、对所述的历史用水量数据的自相关性进行分析;
步骤3.2、对影响城市用水量的气象因子和城市用水量进行相关性分析。
7.如权利要求1所述的基于深度学习神经网络的城市天级需水量在线预测方法,其特征在于,所述步骤4中选取相关系数大于设定值的时间序列数据具体包括选取历史用水量自相关性大于设定值的一组历史用水量数据,所述一组历史用水量数据包括预测时刻前50天内的用水量。
8.如权利要求1所述的基于深度学习神经网络的城市天级需水量在线预测方法,其特征在于,所述步骤4中选取相关系数大于设定值的时间序列数据具体包括选取气候数据和历史用水量相关性大于设定值的一组气象数据,所述一组气象数据包括日最高气温、日最低气温。
9.如权利要求1所述的基于深度学习神经网络的城市天级需水量在线预测方法,其特征在于,所述步骤5中对节假日、异常气候建立基于统计专家库模型的纠偏机制具体包括以下步骤:
步骤5.1、分析元旦、春节、清明、五一、端午、国庆、中秋节假日期间的城市天级用水量过去的变化规律,统计出节假日期间每天的用水量的平均降幅、最大降幅、最小降幅以及降幅的中位数,建立基于统计专家库模型的节假日因素纠偏机制;
步骤5.2、分析高温天气下,每一温度段,用水量随着气温的增降所带来的用水量的增降比的中位数、平均降幅、最大和最小降幅,建立基于统计专家库模型的高温天气因素纠偏机制;
步骤5.3、分析台风等级和实际用水量的拟合关系,建立台风天气因素纠偏机制。
10.如权利要求1所述的基于深度学习神经网络的城市天级需水量在线预测方法,其特征在于,所述步骤7中对所述城市天级需水量预测模型进行改进具体包括以下步骤:
步骤7.1、设定纠偏阈值,对经过纠偏后的预测值超出纠偏阈值的纠偏系数进行修正;
步骤7.2、釆用迭代寻优的方式对预测模型的权重值和偏置参数进行优化,提高模型的预测效果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010482458.0A CN111626518A (zh) | 2020-05-29 | 2020-05-29 | 基于深度学习神经网络的城市天级需水量在线预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010482458.0A CN111626518A (zh) | 2020-05-29 | 2020-05-29 | 基于深度学习神经网络的城市天级需水量在线预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111626518A true CN111626518A (zh) | 2020-09-04 |
Family
ID=72271402
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010482458.0A Pending CN111626518A (zh) | 2020-05-29 | 2020-05-29 | 基于深度学习神经网络的城市天级需水量在线预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111626518A (zh) |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112036668A (zh) * | 2020-09-30 | 2020-12-04 | 北京百度网讯科技有限公司 | 用水量预测方法、装置、电子设备以及计算机可读介质 |
CN112258337A (zh) * | 2020-09-14 | 2021-01-22 | 陕西讯格信息科技有限公司 | 一种自我补全修正的基站能耗模型预测方法 |
CN113128754A (zh) * | 2021-03-31 | 2021-07-16 | 西安理工大学 | 一种基于gru神经网络的居民用水预测系统及预测方法 |
CN113420967A (zh) * | 2021-06-08 | 2021-09-21 | 上海城投水务(集团)有限公司 | 一种基于预测的城市供水管网运行评估方法 |
CN113537469A (zh) * | 2021-07-19 | 2021-10-22 | 河海大学 | 一种基于LSTM网络和Attention机制的城市需水预测方法 |
CN113557890A (zh) * | 2021-06-01 | 2021-10-29 | 中国农业科学院蔬菜花卉研究所 | 一种用于日光温室果菜栽培的智能水分精准灌溉控制系统及方法 |
CN113705922A (zh) * | 2021-09-06 | 2021-11-26 | 内蒙古科技大学 | 一种改进的超短期风电功率预测算法及模型建立方法 |
CN114862618A (zh) * | 2022-04-21 | 2022-08-05 | 平安国际智慧城市科技股份有限公司 | 基于人工智能的城市用水量预测方法、装置、设备及介质 |
CN115482665A (zh) * | 2022-09-13 | 2022-12-16 | 重庆邮电大学 | 一种知识与数据协同驱动的多粒度交通事故预测方法及装置 |
CN115827697A (zh) * | 2022-12-13 | 2023-03-21 | 中节能绿建环保科技有限公司 | 基于大数据的小区水资源智能管理系统及其管理方法 |
CN116502056A (zh) * | 2023-05-23 | 2023-07-28 | 浙江天行健水务有限公司 | 一种饮用水过滤方法及装置 |
CN117057488A (zh) * | 2023-10-12 | 2023-11-14 | 江南大学附属医院 | 基于人工智能模型的放射医疗设备工作量预测方法及系统 |
CN117094516A (zh) * | 2023-08-24 | 2023-11-21 | 中国水利水电科学研究院 | 一种基于固定效应模型的城市群月生活需水量预测方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102521989A (zh) * | 2011-12-31 | 2012-06-27 | 山西省交通规划勘察设计院 | 一种动态数据驱动的高速公路出口流量预测方法 |
CN104392274A (zh) * | 2014-10-29 | 2015-03-04 | 南京南瑞集团公司 | 基于用电负荷与温度趋势的城市短期用电负荷预测方法 |
CN104715292A (zh) * | 2015-03-27 | 2015-06-17 | 上海交通大学 | 基于最小二乘支持向量机模型的城市短期用水量预测方法 |
CN107977735A (zh) * | 2017-11-15 | 2018-05-01 | 河海大学 | 一种基于深度学习的城市日用水量预测方法 |
CN110276477A (zh) * | 2019-05-29 | 2019-09-24 | 河海大学 | 一种基于分层贝叶斯网络和增量学习的洪水预报方法 |
CN111079989A (zh) * | 2019-11-29 | 2020-04-28 | 武汉理工大学 | 一种基于dwt-pca-lstm的供水公司供水量预测装置 |
-
2020
- 2020-05-29 CN CN202010482458.0A patent/CN111626518A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102521989A (zh) * | 2011-12-31 | 2012-06-27 | 山西省交通规划勘察设计院 | 一种动态数据驱动的高速公路出口流量预测方法 |
CN104392274A (zh) * | 2014-10-29 | 2015-03-04 | 南京南瑞集团公司 | 基于用电负荷与温度趋势的城市短期用电负荷预测方法 |
CN104715292A (zh) * | 2015-03-27 | 2015-06-17 | 上海交通大学 | 基于最小二乘支持向量机模型的城市短期用水量预测方法 |
CN107977735A (zh) * | 2017-11-15 | 2018-05-01 | 河海大学 | 一种基于深度学习的城市日用水量预测方法 |
CN110276477A (zh) * | 2019-05-29 | 2019-09-24 | 河海大学 | 一种基于分层贝叶斯网络和增量学习的洪水预报方法 |
CN111079989A (zh) * | 2019-11-29 | 2020-04-28 | 武汉理工大学 | 一种基于dwt-pca-lstm的供水公司供水量预测装置 |
Non-Patent Citations (1)
Title |
---|
李丽华 等: ""基于深度学习的文本情感分析"", 《湖北大学学报(自然科学版)》 * |
Cited By (24)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112258337A (zh) * | 2020-09-14 | 2021-01-22 | 陕西讯格信息科技有限公司 | 一种自我补全修正的基站能耗模型预测方法 |
CN112258337B (zh) * | 2020-09-14 | 2024-03-12 | 陕西讯格信息科技有限公司 | 一种自我补全修正的基站能耗模型预测方法 |
CN112036668B (zh) * | 2020-09-30 | 2023-06-16 | 北京百度网讯科技有限公司 | 用水量预测方法、装置、电子设备以及计算机可读介质 |
CN112036668A (zh) * | 2020-09-30 | 2020-12-04 | 北京百度网讯科技有限公司 | 用水量预测方法、装置、电子设备以及计算机可读介质 |
CN113128754A (zh) * | 2021-03-31 | 2021-07-16 | 西安理工大学 | 一种基于gru神经网络的居民用水预测系统及预测方法 |
CN113557890A (zh) * | 2021-06-01 | 2021-10-29 | 中国农业科学院蔬菜花卉研究所 | 一种用于日光温室果菜栽培的智能水分精准灌溉控制系统及方法 |
CN113557890B (zh) * | 2021-06-01 | 2022-01-28 | 中国农业科学院蔬菜花卉研究所 | 一种用于日光温室果菜栽培的智能水分精准灌溉控制系统及方法 |
CN113420967A (zh) * | 2021-06-08 | 2021-09-21 | 上海城投水务(集团)有限公司 | 一种基于预测的城市供水管网运行评估方法 |
CN113420967B (zh) * | 2021-06-08 | 2022-04-26 | 上海城投水务(集团)有限公司 | 一种基于预测的城市供水管网运行评估方法 |
CN113537469A (zh) * | 2021-07-19 | 2021-10-22 | 河海大学 | 一种基于LSTM网络和Attention机制的城市需水预测方法 |
CN113537469B (zh) * | 2021-07-19 | 2024-04-16 | 河海大学 | 一种基于LSTM网络和Attention机制的城市需水预测方法 |
CN113705922A (zh) * | 2021-09-06 | 2021-11-26 | 内蒙古科技大学 | 一种改进的超短期风电功率预测算法及模型建立方法 |
CN113705922B (zh) * | 2021-09-06 | 2023-09-12 | 内蒙古科技大学 | 一种改进的超短期风电功率预测算法及模型建立方法 |
CN114862618A (zh) * | 2022-04-21 | 2022-08-05 | 平安国际智慧城市科技股份有限公司 | 基于人工智能的城市用水量预测方法、装置、设备及介质 |
CN115482665B (zh) * | 2022-09-13 | 2023-09-15 | 重庆邮电大学 | 一种知识与数据协同驱动的多粒度交通事故预测方法及装置 |
CN115482665A (zh) * | 2022-09-13 | 2022-12-16 | 重庆邮电大学 | 一种知识与数据协同驱动的多粒度交通事故预测方法及装置 |
CN115827697A (zh) * | 2022-12-13 | 2023-03-21 | 中节能绿建环保科技有限公司 | 基于大数据的小区水资源智能管理系统及其管理方法 |
CN115827697B (zh) * | 2022-12-13 | 2024-03-01 | 中节能绿建环保科技有限公司 | 基于大数据的小区水资源智能管理系统及其管理方法 |
CN116502056A (zh) * | 2023-05-23 | 2023-07-28 | 浙江天行健水务有限公司 | 一种饮用水过滤方法及装置 |
CN116502056B (zh) * | 2023-05-23 | 2023-09-12 | 浙江天行健水务有限公司 | 一种饮用水过滤方法及装置 |
CN117094516A (zh) * | 2023-08-24 | 2023-11-21 | 中国水利水电科学研究院 | 一种基于固定效应模型的城市群月生活需水量预测方法 |
CN117094516B (zh) * | 2023-08-24 | 2024-02-23 | 中国水利水电科学研究院 | 一种基于固定效应模型的城市群月生活需水量预测方法 |
CN117057488A (zh) * | 2023-10-12 | 2023-11-14 | 江南大学附属医院 | 基于人工智能模型的放射医疗设备工作量预测方法及系统 |
CN117057488B (zh) * | 2023-10-12 | 2023-12-26 | 江南大学附属医院 | 基于人工智能模型的放射医疗设备工作量预测方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111626518A (zh) | 基于深度学习神经网络的城市天级需水量在线预测方法 | |
CN113962364B (zh) | 一种基于深度学习的多因素用电负荷预测方法 | |
CN108280551B (zh) | 一种利用长短期记忆网络的光伏发电功率预测方法 | |
CN112116080A (zh) | 一种融合了注意力机制的cnn-gru水质预测方法 | |
CN110647979B (zh) | 一种基于物联网的温室环境多参数智能化监测系统 | |
CN112149879B (zh) | 一种计及宏观波动性分类的新能源中长期电量预测方法 | |
CN112288164B (zh) | 一种计及空间相关性和修正数值天气预报的风功率组合预测方法 | |
CN110705743A (zh) | 一种基于长短期记忆神经网络的新能源消纳电量预测方法 | |
CN110555551B (zh) | 一种智慧城市的空气质量大数据管理方法及系统 | |
CN105354620A (zh) | 一种风机发电功率的预测方法 | |
CN113554466A (zh) | 一种短期用电量预测模型构建方法、预测方法和装置 | |
CN111461413A (zh) | 一种公路路面使用性能检测系统 | |
CN115222106A (zh) | 一种自适应模型的用户日前负荷预测方法 | |
Ao et al. | Hybrid model of air quality prediction using k-means clustering and deep neural network | |
CN115860286A (zh) | 一种基于时序门机制的空气质量预测方法及系统 | |
CN115755219A (zh) | 基于stgcn的洪水预报误差实时校正方法及系统 | |
CN114117852B (zh) | 一种基于有限差分工作域划分的区域热负荷滚动预测方法 | |
CN114692981A (zh) | 基于Seq2Seq模型的中长期径流预报方法和系统 | |
Gao et al. | A multifactorial framework for short-term load forecasting system as well as the jinan’s case study | |
CN117370813A (zh) | 一种基于k线模式匹配算法的大气污染深度学习预测方法 | |
CN113111419A (zh) | 办公建筑内空调负荷预测模型建立、预测方法及系统 | |
CN111582560B (zh) | 一种基于循环神经网络的水稻产量预测方法 | |
CN110852496A (zh) | 一种基于lstm循环神经网络的天然气负荷预测方法 | |
CN112001537A (zh) | 一种基于灰色模型和支持向量机的短期风电功率预测方法 | |
CN116485582A (zh) | 一种基于深度学习的供热优化调控方法及装置 |
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: 20200904 |