CN111832790A - 一种供水管网预测中长期需水量的方法及系统 - Google Patents
一种供水管网预测中长期需水量的方法及系统 Download PDFInfo
- Publication number
- CN111832790A CN111832790A CN201911028929.4A CN201911028929A CN111832790A CN 111832790 A CN111832790 A CN 111832790A CN 201911028929 A CN201911028929 A CN 201911028929A CN 111832790 A CN111832790 A CN 111832790A
- Authority
- CN
- China
- Prior art keywords
- water demand
- medium
- data set
- long term
- prediction
- 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
- 230000007774 longterm Effects 0.000 title claims abstract description 55
- 238000000034 method Methods 0.000 title claims abstract description 46
- 238000013528 artificial neural network Methods 0.000 claims abstract description 27
- 238000012545 processing Methods 0.000 claims abstract description 25
- 238000012549 training Methods 0.000 claims description 13
- 230000008901 benefit Effects 0.000 description 7
- 230000008859 change Effects 0.000 description 7
- 239000011159 matrix material Substances 0.000 description 7
- 210000004556 brain Anatomy 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 238000011161 development Methods 0.000 description 3
- 230000001537 neural effect Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000000611 regression analysis Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 239000006185 dispersion Substances 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 230000002829 reductive effect Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 241001584785 Anavitrinella pampinaria Species 0.000 description 1
- 241001465754 Metazoa Species 0.000 description 1
- 230000003542 behavioural effect Effects 0.000 description 1
- 230000001364 causal effect Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 230000000670 limiting effect Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012067 mathematical method Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000003278 mimic effect Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000036961 partial effect Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
- 230000003442 weekly effect Effects 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
- 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
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
- G06Q30/0202—Market predictions or forecasting for commercial activities
-
- 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
- G06N3/08—Learning methods
-
- 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
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Development Economics (AREA)
- General Physics & Mathematics (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- General Business, Economics & Management (AREA)
- General Health & Medical Sciences (AREA)
- Marketing (AREA)
- Game Theory and Decision Science (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Human Resources & Organizations (AREA)
- Tourism & Hospitality (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开一种供水管网预测中长期需水量的方法及系统。该方法包括:建立灰色预测模型;获取城市的历史需水量数据集;对历史需水量数据集进行处理,得到处理后的需水量数据集;将处理后的需水量数据集输入至灰色预测模型,得到中长期需水量预测值;获取中长期需水量实际值;根据中长期需水量预测值和中长期需水量实际值,得到第一预测误差;将第一预测误差输入至人工神经网络模型重新进行预测,得到第二预测误差;根据中长期需水量预测值和第二预测误差,预测供水管网中长期需水量。采用本发明的方法或系统能够准确地预测城市的需水量。
Description
技术领域
本发明涉及供水管网预测需水量领域,特别是涉及一种供水管网预测中长期需水量的方法及系统。
背景技术
以城市历史用水量数据为基础,同时考虑主客观因素如经济和社会,天气状况等影响,且在满足一定精度约束下,利用科学系统法或经验数学法预测未来时段的城市需水量即为城市需水量预测。
供水管网系统规划和扩建的前提和基础为城市中长期科学合理的需水量预测,故城市需水量预测有着重要的意义。
随着预测模型的不断发展,国内外学者利用各种预测模型对城市需水量预测进行了大量的研究工作,如时间序列、回归分析、人工神经网络等预测方法,若某城市的用水量历史记录较少,时间短,适合选用灰色预测模型进行中长期需水量预测。因为灰色模型建模所需要的信息较少,可以忽略变化趋势和分布规律,能较好反映系统的实际情况,具有运算方便等优点。但是当模型中的数据表现出较大离散度时,灰色模型精度会降低;在长期需水量预测时,需要不断扩充新的数据才能提高精度,也就是说如果某个城市的用水量历史记录数据较少,选用灰色预测模型进行中长期需水量预测,会存在一定的不足,需要对其进行改进以准确预测该城市的需水量。
发明内容
本发明的目的是提供一种供水管网预测中长期需水量的方法及系统,能够准确地预测城市的需水量。
为实现上述目的,本发明提供了如下方案:
一种供水管网预测中长期需水量的方法,包括:
建立灰色预测模型;
获取城市的历史需水量数据集;
对所述历史需水量数据集进行处理,得到处理后的需水量数据集;
将所述处理后的需水量数据集输入至所述灰色预测模型,得到中长期需水量预测值;
获取中长期需水量实际值;
根据所述中长期需水量预测值和所述中长期需水量实际值,得到第一预测误差;
将所述第一预测误差输入至人工神经网络模型重新进行预测,得到第二预测误差;
根据所述中长期需水量预测值和所述第二预测误差,预测供水管网中长期需水量。
可选的,所述对所述历史需水量数据集进行处理,得到处理后的需水量数据集,具体包括:
对所述历史需水量数据集采用平均滑动法进行处理,得到处理后的需水量数据集。
可选的,所述根据所述中长期需水量预测值和所述中长期需水量实际值,得到第一预测误差,具体包括:
将所述中长期需水量预测值与所述中长期需水量实际值做差,得到第一预测误差。
可选的,在所述“根据所述中长期需水量预测值和所述中长期需水量实际值,得到第一预测误差”与所述“将所述第一预测误差输入至人工神经网络模型重新进行预测,得到第二预测误差”之间还包括:
根据所述历史需水量数据集训练人工神经网络模型。
一种供水管网预测中长期需水量的系统,包括:
灰色预测模型建立模块,用于建立灰色预测模型;
数据集获取模块,用于获取城市的历史需水量数据集;
数据集处理模块,用于对所述历史需水量数据集进行处理,得到处理后的需水量数据集;
中长期需水量预测值确定模块,用于将所述处理后的需水量数据集输入至所述灰色预测模型,得到中长期需水量预测值;
需水量实际值获取模块,用于获取中长期需水量实际值;
第一预测误差确定模块,用于根据所述中长期需水量预测值和所述中长期需水量实际值,得到第一预测误差;
第二预测误差确定模块,用于将所述第一预测误差输入至人工神经网络模型重新进行预测,得到第二预测误差;
供水管网中长期需水量预测模块,用于根据所述中长期需水量预测值和所述第二预测误差,预测供水管网中长期需水量。
可选的,所述数据集处理模块,具体包括:
数据集处理单元,用于对所述历史需水量数据集采用平均滑动法进行处理,得到处理后的需水量数据集。
可选的,所述第一预测误差确定模块,具体包括:
第一预测误差确定单元,用于将所述中长期需水量预测值与所述中长期需水量实际值做差,得到第一预测误差。
可选的,还包括:
训练模块,用于根据所述历史需水量数据集训练人工神经网络模型。
根据本发明提供的具体实施例,本发明公开了以下技术效果:
本发明提供一种供水管网预测中长期需水量的方法,通过建立灰色预测模型;获取城市的历史需水量数据集;对历史需水量数据集进行处理,得到处理后的需水量数据集;将处理后的需水量数据集输入至灰色预测模型,得到中长期需水量预测值;获取中长期需水量实际值;根据中长期需水量预测值和中长期需水量实际值,得到第一预测误差;将第一预测误差输入至人工神经网络模型重新进行预测,得到第二预测误差;根据中长期需水量预测值和第二预测误差,预测供水管网中长期需水量。采用本发明的上述方法能够准确地预测城市的需水量。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明一种供水管网预测中长期需水量的方法流程图;
图2为本发明一种供水管网预测中长期需水量的系统结构图。
具体实施方式
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,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明的目的是提供一种供水管网预测中长期需水量的方法及系统,能够准确地预测城市的需水量。
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
时间序列法是一种分析各种相依有序的离散数据集合的方法。例如,对管网系统每个小时(每天、每周、每月、每年)的数据进行监测记录,得到用水量的离散数据集合,其中t1<t2<……<tN,通常t2-t1=t3-t2==tN-tN-1,其优点是:时间序列方法认为时间序列中的每个数据都反应了当时众多影响因素综合作用的结果,整个时间序列则反映了众多影响因素综合作用下预测对象的变化过程。假设预测对象的变化仅仅与时间有关,则预测过程只依赖于历史数据,忽略其它的影响因素,从而使预测研究更为直接、简便。其缺点是:实际中,很难用一个完全确定的函数或者函数组来描述时间序列,它是把系统当作一个黑箱,并不考虑影响这个系统的运行因素。
回归分析法也称解释性预测,假设一个系统之间的输入与输出之间存在某种因果关系,输入变量的化会引起系统输出变量的变化,并且两者之间的变化是一个常数。其优点是:用回归分析建立的预测模型,不仅能够用来预测,而且可以解释系统内部运行的原因和各个因素之间的关系。其缺点是:所需要的历史数据种类和数据相当多。
人工神经网络(Artificial Neural Networks,简写为ANN),也称为人工神经网络(NN),它是一种模仿动物神经网络行为特征,进行分布式并行信息处理的数学算法模型,典型代表就是BP(Back Propagation)神经网络。其优点是:简单、易行、计算量小、并行性强的优点;此外还具有较强的非线性映射能力。其缺点是:收敛速度慢,存在局部最小值,BP网络的隐含层及隐含层节点数目无法确定。
图1为本发明一种供水管网预测中长期需水量的方法流程图。如图1所示,一种供水管网预测中长期需水量的方法包括:
步骤101:建立灰色预测模型。
步骤102:获取城市的历史需水量数据集。
运用matlab软件,建立灰色预测模型(Gray model,简称灰色模型),一般表达方式为GM(n,x),其含义是:用n阶微分方程对x个变量建立模型,得到GM(1,1),预测模型方程为:
步骤103:对历史需水量数据集进行处理,得到处理后的需水量数据集,具体包括:
对历史需水量数据集采用平均滑动法进行处理,得到处理后的需水量数据集。
中间代入的改造公式为:
用Q表示平均滑动处理后的需水量数据集Q=(q(0)(1),q(0)(n),q(0)(k))。
步骤104:将处理后的需水量数据集输入至灰色预测模型,得到中长期需水量预测值。
将需水量数据集Q输入到GM(1,1)中,得到中长期需水量预测值。GM(1,1)就是普通的灰色预测模型。
步骤105:获取中长期需水量实际值;
步骤106:根据中长期需水量预测值和中长期需水量实际值,得到第一预测误差,具体包括:
将中长期需水量预测值与中长期需水量实际值做差,得到第一预测误差。
步骤107:将第一预测误差输入至人工神经网络模型重新进行预测,得到第二预测误差;
将第一预测误差作为人工神经网络模型的输入,重新进行预测,并将新的预测误差输出。
训练过程就是运用matlab2018a(训练的是误差数据)中的neural fitting模块,建立一个由10年历史需水量数据组成的2*10矩阵,第1列是10年的实际需水量数据,第2列是10年的预测数据,设为矩阵A;
由于GM(1,1)不是本发明的独有研究内容,故此处不再赘述,只是将误差设为矩阵B;
误差为重新建立一个1*10的误差矩阵,误差矩阵是由灰色模型预测得出的数据与实际数据相减得到。将2*10矩阵A作为input,(input是matlab2018a中主界面APP工具栏中的neural fitting中需要输入的一栏;进入neural fitting会有显示,其本质就是训练样本)第一列和第二列分别是实际历史数据和灰色预测的历史数据并且由平均滑动法处理过,1*10的误差矩阵B作为target,参数设置如下:
training:70%;
validation:15%;
testing:15%;
隐含层神经元默认为10;
上述参数为软件自带模块的默认值,可以自己调节,无太大实际意义。
点击train训练至R2(拟合系数)大于99.999%即可。
步骤108:根据中长期需水量预测值和第二预测误差,预测供水管网中长期需水量。
在步骤105和步骤106之间还包括:
根据历史需水量数据集训练人工神经网络模型。
由于某些城市的用水量历史记录较少,时间短,所以适合选用灰色预测模型进行中长期需水量预测。而且灰色模型建模所需要的信息较少,可以忽略变化趋势和分布规律,能较好反映系统的实际情况,具有运算方便等优点。但是当模型中的数据表现出较大离散度时,灰色模型精度会降低;在长期需水量预测时,需要不断扩充新的数据才能提高精度。
人工神经网络预测模型是模拟大脑神经元网络结构和工作机理而建立的预测模型,是通过输入模式的正向传播和误差的逆向传播来工作。人体大脑是个复杂的组织结构,所以人工神经网络只是对人体大脑的某些基本特征进行反映,而不是对人体大脑的完整真实再现。它仅仅是对人脑的部分模仿、抽象与简化。
平均滑动法是在简单平均数法基础上,通过顺序逐期增减新旧数据计算平均移动值,借以消除偶然变动因素,找出事物发展趋势,并据此进行预测的方法。通过对数据加以小等权,近期数据给予较大权数,远期数据给予较小权数,目的在于强化近期数据的作用,弱化远期数据的影响。
本发明的方法在原始数据的基础上进行改进,利用平均滑动法对原始数据进行改造,以达到避免数值过度波动和增加当年数据权重的目的,然后利用处理的数据建立灰色预测模型得出初始预测值,利用初始预测值与实际值的误差建立BP神经网络残值修正模型,对初始预测值进行修正,最后输出预测值。
图2为本发明一种供水管网预测中长期需水量的系统结构图。如图2所示,一种供水管网预测中长期需水量的系统包括:
灰色预测模型建立模块201,用于建立灰色预测模型;
数据集获取模块202,用于获取城市的历史需水量数据集;
数据集处理模块203,用于对历史需水量数据集进行处理,得到处理后的需水量数据集;
中长期需水量预测值确定模块204,用于将处理后的需水量数据集输入至灰色预测模型,得到中长期需水量预测值;
需水量实际值获取模块205,用于获取中长期需水量实际值;
第一预测误差确定模块206,用于根据中长期需水量预测值和中长期需水量实际值,得到第一预测误差;
第二预测误差确定模块207,用于将第一预测误差输入至人工神经网络模型重新进行预测,得到第二预测误差;
供水管网中长期需水量预测模块208,用于根据中长期需水量预测值和第二预测误差,预测供水管网中长期需水量。
数据集处理模块203,具体包括:
数据集处理单元,用于对历史需水量数据集采用平均滑动法进行处理,得到处理后的需水量数据集。
第一预测误差确定模块206,具体包括:
第一预测误差确定单元,用于将中长期需水量预测值与中长期需水量实际值做差,得到第一预测误差。
本发明的供水管网预测中长期需水量的系统还包括:
训练模块,用于根据历史需水量数据集训练人工神经网络模型。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处。综上所述,本说明书内容不应理解为对本发明的限制。
Claims (8)
1.一种供水管网预测中长期需水量的方法,其特征在于,包括:
建立灰色预测模型;
获取城市的历史需水量数据集;
对所述历史需水量数据集进行处理,得到处理后的需水量数据集;
将所述处理后的需水量数据集输入至所述灰色预测模型,得到中长期需水量预测值;
获取中长期需水量实际值;
根据所述中长期需水量预测值和所述中长期需水量实际值,得到第一预测误差;
将所述第一预测误差输入至人工神经网络模型重新进行预测,得到第二预测误差;
根据所述中长期需水量预测值和所述第二预测误差,预测供水管网中长期需水量。
2.根据权利要求1所述的供水管网预测中长期需水量的方法,其特征在于,所述对所述历史需水量数据集进行处理,得到处理后的需水量数据集,具体包括:
对所述历史需水量数据集采用平均滑动法进行处理,得到处理后的需水量数据集。
3.根据权利要求1所述的供水管网预测中长期需水量的方法,其特征在于,所述根据所述中长期需水量预测值和所述中长期需水量实际值,得到第一预测误差,具体包括:
将所述中长期需水量预测值与所述中长期需水量实际值做差,得到第一预测误差。
4.根据权利要求1所述的供水管网预测中长期需水量的方法,其特征在于,在所述“根据所述中长期需水量预测值和所述中长期需水量实际值,得到第一预测误差”与所述“将所述第一预测误差输入至人工神经网络模型重新进行预测,得到第二预测误差”之间还包括:
根据所述历史需水量数据集训练人工神经网络模型。
5.一种供水管网预测中长期需水量的系统,其特征在于,包括:
灰色预测模型建立模块,用于建立灰色预测模型;
数据集获取模块,用于获取城市的历史需水量数据集;
数据集处理模块,用于对所述历史需水量数据集进行处理,得到处理后的需水量数据集;
中长期需水量预测值确定模块,用于将所述处理后的需水量数据集输入至所述灰色预测模型,得到中长期需水量预测值;
需水量实际值获取模块,用于获取中长期需水量实际值;
第一预测误差确定模块,用于根据所述中长期需水量预测值和所述中长期需水量实际值,得到第一预测误差;
第二预测误差确定模块,用于将所述第一预测误差输入至人工神经网络模型重新进行预测,得到第二预测误差;
供水管网中长期需水量预测模块,用于根据所述中长期需水量预测值和所述第二预测误差,预测供水管网中长期需水量。
6.根据权利要求5所述的供水管网预测中长期需水量的系统,其特征在于,所述数据集处理模块,具体包括:
数据集处理单元,用于对所述历史需水量数据集采用平均滑动法进行处理,得到处理后的需水量数据集。
7.根据权利要求5所述的供水管网预测中长期需水量的系统,其特征在于,所述第一预测误差确定模块,具体包括:
第一预测误差确定单元,用于将所述中长期需水量预测值与所述中长期需水量实际值做差,得到第一预测误差。
8.根据权利要求5所述的供水管网预测中长期需水量的系统,其特征在于,还包括:
训练模块,用于根据所述历史需水量数据集训练人工神经网络模型。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911028929.4A CN111832790A (zh) | 2019-10-28 | 2019-10-28 | 一种供水管网预测中长期需水量的方法及系统 |
US16/706,987 US20210125200A1 (en) | 2019-10-28 | 2019-12-09 | Method and system for predicting medium-long term water demand of water supply network |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911028929.4A CN111832790A (zh) | 2019-10-28 | 2019-10-28 | 一种供水管网预测中长期需水量的方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111832790A true CN111832790A (zh) | 2020-10-27 |
Family
ID=72911999
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911028929.4A Pending CN111832790A (zh) | 2019-10-28 | 2019-10-28 | 一种供水管网预测中长期需水量的方法及系统 |
Country Status (2)
Country | Link |
---|---|
US (1) | US20210125200A1 (zh) |
CN (1) | CN111832790A (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113222266B (zh) * | 2021-05-22 | 2022-11-25 | 深圳市创仁科技有限公司 | 一种基于水表日用量大数据的预测模型匹配方法 |
CN113486606B (zh) * | 2021-06-30 | 2023-01-20 | 上海市政工程设计研究总院(集团)有限公司 | 水处理系统模型训练方法、运行方法、系统、设备和介质 |
CN113469440B (zh) * | 2021-07-02 | 2023-11-14 | 河海大学 | 一种预测月尺度生活需水量的方法 |
CN115630745B (zh) * | 2022-11-03 | 2023-04-18 | 重庆理工大学 | 一种面向城市分级协同供水的多区域需水量预测方法 |
CN116070153A (zh) * | 2023-03-06 | 2023-05-05 | 四川省华盾防务科技股份有限公司 | 相控阵t/r组件故障参数的预测方法、装置、设备和介质 |
CN116307936B (zh) * | 2023-05-17 | 2023-08-18 | 长江水利委员会长江科学院 | 用水总量的分解方法、系统、电子设备及存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105512832A (zh) * | 2015-12-29 | 2016-04-20 | 杭州电子科技大学 | 基于时变权最小方差的城市需水量组合预测方法 |
CN106295874A (zh) * | 2016-08-08 | 2017-01-04 | 上海交通大学 | 基于深信度网络的交通流参数预测方法 |
CN109242265A (zh) * | 2018-08-15 | 2019-01-18 | 杭州电子科技大学 | 基于误差平方和最小的城市需水量组合预测方法 |
CN109816142A (zh) * | 2018-12-18 | 2019-05-28 | 深圳市东深电子股份有限公司 | 一种水资源精确分配系统及分配方法 |
CN110009161A (zh) * | 2019-04-15 | 2019-07-12 | 成都四方伟业软件股份有限公司 | 供水预测方法及装置 |
-
2019
- 2019-10-28 CN CN201911028929.4A patent/CN111832790A/zh active Pending
- 2019-12-09 US US16/706,987 patent/US20210125200A1/en not_active Abandoned
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105512832A (zh) * | 2015-12-29 | 2016-04-20 | 杭州电子科技大学 | 基于时变权最小方差的城市需水量组合预测方法 |
CN106295874A (zh) * | 2016-08-08 | 2017-01-04 | 上海交通大学 | 基于深信度网络的交通流参数预测方法 |
CN109242265A (zh) * | 2018-08-15 | 2019-01-18 | 杭州电子科技大学 | 基于误差平方和最小的城市需水量组合预测方法 |
CN109816142A (zh) * | 2018-12-18 | 2019-05-28 | 深圳市东深电子股份有限公司 | 一种水资源精确分配系统及分配方法 |
CN110009161A (zh) * | 2019-04-15 | 2019-07-12 | 成都四方伟业软件股份有限公司 | 供水预测方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
US20210125200A1 (en) | 2021-04-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111832790A (zh) | 一种供水管网预测中长期需水量的方法及系统 | |
CN110119845A (zh) | 一种轨道交通客流预测的应用方法 | |
CN110717671B (zh) | 一种确定参与方贡献度的方法及装置 | |
CN112990500B (zh) | 基于改进加权灰色关联分析的台区线损分析方法及系统 | |
CN116150897A (zh) | 一种基于数字孪生的机床主轴性能测评方法及系统 | |
CN115421216A (zh) | 一种基于stl-arima-nar混合模型的中长期月降雨预报方法 | |
CN113361690A (zh) | 水质预测模型训练、水质预测方法、装置、设备及介质 | |
CN113516845A (zh) | 基于sarima-nar组合模型的道路月度交通量预测方法 | |
CN111754034A (zh) | 一种基于混沌优化神经网络模型的时间序列预测方法 | |
CN110674984A (zh) | 一种基于Tri-Training-Lasso-BP网络的静态电压稳定裕度预测方法 | |
CN113344467A (zh) | 一种电力工程资金预测方法和装置 | |
CN117709557B (zh) | 一种基于能耗数据估算企业碳排放量的方法 | |
CN110793896B (zh) | 一种尾气中粉尘浓度短期预测方法 | |
Wu et al. | Analysis of data for the carbon dioxide capture domain | |
CN110059297B (zh) | 知识点学习时长预测方法、自适应学习方法及计算机系统 | |
CN112232570A (zh) | 一种正向有功总电量预测方法、装置及可读存储介质 | |
Petlíková | Modeling of the time structure of construction processes using neural networks | |
CN115511230A (zh) | 一种电能替代潜力分析预测方法 | |
CN111859783B (zh) | 水压预测方法、系统、存储介质、设备、城市供水系统 | |
JP4461245B2 (ja) | 株価変動数値解析装置 | |
CN107977742B (zh) | 一种中长期电力负荷预测模型的构建方法 | |
Li et al. | A Novel Multi-variable Grey Prediction Model with the Inequality Constraints. | |
Cai | A quantile approach to US GNP | |
JP3552069B2 (ja) | 配水量予測方法と装置 | |
CN117406619A (zh) | 基于低碳排放的城市输水系统水力工况模拟方法及系统 |
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 |
Application publication date: 20201027 |
|
RJ01 | Rejection of invention patent application after publication |