CN112488390A - 一种城市排水量预测方法及系统 - Google Patents
一种城市排水量预测方法及系统 Download PDFInfo
- Publication number
- CN112488390A CN112488390A CN202011375380.9A CN202011375380A CN112488390A CN 112488390 A CN112488390 A CN 112488390A CN 202011375380 A CN202011375380 A CN 202011375380A CN 112488390 A CN112488390 A CN 112488390A
- Authority
- CN
- China
- Prior art keywords
- model
- weight range
- sample data
- prediction
- trained
- 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.)
- Granted
Links
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 135
- 238000000034 method Methods 0.000 title claims abstract description 56
- 238000006073 displacement reaction Methods 0.000 claims description 52
- 230000001364 causal effect Effects 0.000 claims description 30
- 238000004519 manufacturing process Methods 0.000 claims description 9
- 238000006243 chemical reaction Methods 0.000 claims description 6
- 238000010586 diagram Methods 0.000 description 9
- 230000000694 effects Effects 0.000 description 3
- 230000007774 longterm Effects 0.000 description 2
- 239000010865 sewage Substances 0.000 description 2
- 238000003860 storage Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 239000008235 industrial water Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009466 transformation 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- G06Q50/10—Services
- G06Q50/26—Government or public services
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Economics (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Development Economics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Biology (AREA)
- Quality & Reliability (AREA)
- Evolutionary Computation (AREA)
- Game Theory and Decision Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Entrepreneurship & Innovation (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Operations Research (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Educational Administration (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种城市排水量预测方法及系统,属于水处理技术领域,解决了现有技术无法兼顾对短期与中长期排水量进行预测,且预测准确度低的问题。该方法包括,获取样本数据集;基于获取的样本数据集,采用极限值法确定训练好的灰度模型和系统动力学模型分别对应的第一权值范围和第二权值范围;根据训练好的灰度模型、第一权值范围,以及训练好的系统动力学模型、第二权值范围,获得排水量预测模型;根据目标预测日期的人口数量和降雨量,基于获得的排水量预测模型获得目标预测日期的排水量。该方法能够兼顾短期与中长期的排水量预测,且预测准确度高。
Description
技术领域
本发明涉及水处理技术领域,尤其涉及一种城市排水量预测方法及系统。
背景技术
排水量预测主要包括短期预测和中长期预测,排放量的中长期预测是城市排水系统进行规划、设计、运行和管理所需要的基本数据,科学、合理的污水排放量预测在城市发展、排水管网的规划中意义重大;排放量的短期预测,与给排水系统调度决策以及排水管网的改造优化息息相关。
污水排放量预测方法有很多,根据数据处理方式的不同可以分为多种。但现有技术中,针对城市排水量的预测存在着现有模型不能兼顾对短期、中长期排水量进行预测的问题,以及对短期排水量和中长期排水量预测不准确的问题。
发明内容
鉴于上述的分析,本发明实在提供一种城市排水量预测方法及系统,用以解决现有技术无法兼顾对短期和中长期排水量进行准确预测的问题。
一方面,本发明提供了一种城市排水量预测方法,包括以下步骤:
获取样本数据集,所述样本数据集包括多个样本数据,每一样本数据包括人口数量、降雨量及对应的排水量;
基于所述样本数据集,采用极限值法确定训练好的灰度模型和系统动力学模型分别对应的第一权值范围和第二权值范围;
根据训练好的灰度模型、第一权值范围,以及训练好的系统动力学模型、第二权值范围,获得排水量预测模型;
根据目标预测日期的人口数量和降雨量,基于获得的排水量预测模型获得目标预测日期的排水量。
进一步的,所述采用极限值法确定训练好的灰度模型和系统动力学模型分别对应的第一权值范围和第二权值范围,包括:
所述样本数据集包括第一样本数据集和第二样本数据集,所述第一样本数据集和第二样本数据集均包括多个样本数据;
基于所述第一样本数据集分别获得灰度模型和系统动力学模型的权值范围;
重复权值范围更新过程,直至基于所述灰度模型和所述系统动力学模型获得的排水量预测模型,预测获得的降雨量与对应样本数据中的降雨量的差值在预设范围内,以确定所述第一权值范围和第二权值范围;
所述权值范围更新过程包括:根据所述系统动力学模型的权值范围更新缩小所述灰度模型的权值范围,并根据所述灰度模型的权值范围更新缩小所述系统动力学模型的权值范围。
进一步的,所述基于所述第一样本数据集分别获得灰度模型和系统动力学模型的权值范围的步骤,包括:
将所述第一样本数据集中每一样本数据中的人口数量和降雨量输入所述灰度模型,获得降雨量预测值,根据所述降雨量预测值与所述样本数据中的降雨量确定对应的权值,根据每一样本数据对应获得的权值中的最小权值和最大权值确定权值范围,并采用相同的方式获得所述系统动力学模型对应的权值范围。
进一步的,所述权值范围更新过程,进一步包括:
设置所述系统动力学模型的最小权值,将每一样本数据中的人口数量和降雨量分别输入所述灰度模型和所述系统动力学模型,获得灰度模型降雨量预测值和系统动力学模型降雨量预测值,并结合样本数据中的降雨量获得对应的权值,根据每一样本数据对应获得的权值中的最小权值和最大权值确定第一中间权值范围;设置所述系统动力学模型的最大权值,并采用相同的方式获得所述灰度模型对应的第二中间权值范围,将所述第一中间权值范围和第二中间权值范围的交集作为所述灰度模型更新缩小后的权值范围;采用相同的方式获得所述系统动力学模型更新缩小后的权值范围。
进一步的,通过下述方式训练获得系统动力学模型:
确定影响排水量的确定变量和不确定变量,所述确定变量包括人口数量、三产比例、土地开发面积、工业类别和产值,所述不确定变量包括节水模式和水资源开发潜力;
建立各所述确定变量间的第一因果关系图,以及各所述不确定变量间的第二因果关系图;
建立所述第一因果关系图、第二因果关系图与排水量间的逻辑关系图,并根据所述逻辑关系图建立系统动力学模型;
利用所述样本数据集对所述系统动力学模型进行训练,获得训练好的系统动力学模型。
进一步的,训练好的系统动力学模型为:
Y=μALγKδ,
其中,Y为排水量预测值,μ为随机干扰的影响,A为变量的生产或者转化效率,L为确定变量对排水量预测的贡献度,γ为确定变量对排水量预测的贡献度的产出弹性系数,K为不确定变量对排水量预测的贡献度,δ为不确定变量对排水量预测的贡献度的产出弹性系数。
进一步的,所述根据训练好的灰度模型、第一权值范围,以及训练好的系统动力学模型、第二权值范围,获得排水量预测模型,包括:选取第一权值范围的中间值作为灰度模型的权值,选取第二权值范围的中间值作为系统动力学模型的权值,进而获得排水量预测模型。
另一方面,本发明提供了一种城市排水量预测系统,包括:
数据处理模块,用于获取样本数据集,并进行处理;所述样本数据集包括多个样本数据,每一样本数据包括人口数量、降雨量及对应的排水量;
模型建立模块,用于基于处理后的样本数据集,采用极限值法确定训练好的灰度模型和系统动力学模型分别对应的第一权值范围和第二权值范围;
还用于,根据训练好的灰度模型、第一权值范围,以及训练好的系统动力学模型、第二权值范围,获得排水量预测模型;
预测模块,根据目标预测日期的人口数量和降雨量,基于获得的排水量预测模型获得目标预测日期的排水量。
进一步的,所述模型建立模块,进一步用于:
所述样本数据集包括第一样本数据集和第二样本数据集,所述第一样本数据集和第二样本数据集均包括多个样本数据;
基于所述第一样本数据集分别获得灰度模型和系统动力学模型的权值范围;
重复权值范围更新过程,直至基于所述灰度模型和所述系统动力学模型获得的排水量预测模型,预测获得的降雨量与对应样本数据中的降雨量的差值在预设范围内,进而确定所述第一权值范围和第二权值范围;所述权值范围更新过程包括:根据所述系统动力学模型的权值范围更新缩小所述灰度模型的权值范围,并根据所述灰度模型的权值范围更新缩小所述系统动力学模型的权值范围。
进一步的,所述模型建立模块,进一步用于:
确定影响排水量的确定变量和不确定变量,所述确定变量包括人口数量、三产比例、土地开发面积、工业类别和产值,所述不确定变量包括节水模式和水资源开发潜力;
建立各所述确定变量间的第一因果关系图,以及各所述不确定变量间的第二因果关系图;
建立所述第一因果关系图、第二因果关系图与排水量间的逻辑关系图,并根据所述逻辑关系图建立系统动力学模型;
利用所述样本数据集对所述系统动力学模型进行训练,获得训练好的系统动力学模型;
训练好的系统动力学模型为:
Y=μALγKδ,
其中,Y为排水量预测值,μ为随机干扰的影响,A为变量的生产或者转化效率,L为确定变量对排水量预测的贡献度,γ为确定变量对排水量预测的贡献度的产出弹性系数,K为不确定变量对排水量预测的贡献度,δ为不确定变量对排水量预测的贡献度的产出弹性系数。
与现有技术相比,本发明至少可实现如下有益效果之一:
1、本发明提出的城市排水量预测方法及系统,基于灰度模型和系统动力学模型的结合建立排水量预测模型,不仅能够对短期排水量进行预测,同时还能对中长期排水量进行预测,且预测准确度有显著提高。
2、本发明提出的城市排水量预测方法及系统,采用极限值法不断优化缩小灰度模型和系统动力学模型的权值范围,使基于该权值范围内的灰度模型和系统动力模型组成的排水量预测模型对短期和中长期排水量的预测值与实际值的误差很小,具有较高的预测精度。
3、本发明结合排水量预测的实际情况,分析获得影响排水量预测的确定变量和不确定变量,并分别分析各确定变量和不确定变量之间的因果关系,进而根据该因果关系建立确定变量和不确定变量间的逻辑关系,并根据该逻辑关系训练获得适用于短期和中长期排水量预测的系统动力学模型。
本发明中,上述各技术方案之间还可以相互组合,以实现更多的优选组合方案。本发明的其他特征和优点将在随后的说明书中阐述,并且,部分优点可从说明书中变得显而易见,或者通过实施本发明而了解。本发明的目的和其他优点可通过说明书以及附图中所特别指出的内容中来实现和获得。
附图说明
附图仅用于示出具体实施例的目的,而并不认为是对本发明的限制,在整个附图中,相同的参考符号表示相同的部件。
图1为本发明实施例城市排水量预测方法的流程图;
图2为本发明实施例第一因果关系图的示意图;
图3为本发明实施例第二因果关系图的示意图;
图4位本发明实施例第一因果关系图、第二因果关系图以及排水量之间的逻辑关系示意图;
图5为本发明实施例城市排水量预测系统的示意图。
附图标记:
110-数据处理模块;120-模型建立模块;130-预测模块。
具体实施方式
下面结合附图来具体描述本发明的优选实施例,其中,附图构成本申请一部分,并与本发明的实施例一起用于阐释本发明的原理,并非用于限定本发明的范围。
本发明的一个具体实施例,公开了一种城市排水量预测方法。如图1所示,该方法包括以下步骤:
S110、获取样本数据集,并进行处理;样本数据集包括多个样本数据,每一样本数据包括人口数量、降雨量及对应的排水量。具体的,获取目标城市、目标历史时期内的人口数量、排水量和降雨量,并对采集到的数据的格式统一标准化、清除异常和错误数据以及重复数据。
S120、基于处理后的样本数据集,采用极限值法确定训练好的灰度模型和系统动力学模型分别对应的第一权值范围和第二权值范围。
S130、根据训练好的灰度模型、第一权值范围,以及训练好的系统动力学模型、第二权值范围,获得排水量预测模型。
S140、根据目标预测日期的人口数量和降雨量,基于获得的排水量预测模型获得目标预测日期的排水量。
具体的,为了确定灰度模型和系统动力学模型的权值范围以获得排水量预测模型并对排水量预测模型的准确率进行验证,将获取的样本数据集分为两部分,即第一样本数据集和第二样本数据集,第一样本数据集和第二样本数据集均包括多个样本数据。其中,第一样本数据集用于确定灰度模型和系统动力学模型的权值范围,第二样本数据集用于对权值范围的准确度进行验证。
优选的,采用极限值法确定训练好的灰度模型和系统动力学模型分别对应的第一权值范围和第二权值范围,包括:
基于第一样本数据集分别获得灰度模型和系统动力学模型的权值范围。具体的,将第一样本数据集中每一样本数据中的人口数量和降雨量输入灰度模型,获得降雨量预测值,根据降雨量预测值与所述样本数据中的降雨量确定对应的权值,即根据降雨量预测值与权值的乘积等于降雨量实际值,以确定权值。根据每一样本数据对应获得的权值中的最小权值和最大权值确定权值范围(α1,α2),并采用相同的方式获得系统动力学模型对应的权值范围(β1,β2)。
重复权值范围更新过程,直至基于灰度模型和系统动力学模型获得的排水量预测模型,预测获得的降雨量与对应样本数据中的降雨量的差值在预设范围内,以确定第一权值范围和第二权值范围。
优选的,权值范围更新过程包括:根据系统动力学模型的权值范围更新缩小灰度模型的权值范围,并根据灰度模型的权值范围更新缩小系统动力学模型的权值范围。
具体的,设置系统动力学模型的权值为β1,即最小权值,将每一样本数据中的人口数量和降雨量分别输入灰度模型和系统动力学模型,获得灰度模型降雨量预测值和系统动力学模型降雨量预测值,并结合样本数据中的降雨量获得对应的权值,即根据灰度模型降雨量预测值与权值的乘积和系统动力学模型降雨量预测值与权值的乘积之和等于降雨量实际值,从而确定输入该样本时,灰度模型对应的权值,根据每一样本数据对应获得的权值中的最小权值和最大权值确定第一中间权值范围(α1',α2');设置系统动力学模型的权值为β2,即最大权值,并采用相同的方式获得灰度模型对应的第二中间权值范围(α1”,α2”),将第一中间权值范围(α1',α2')和第二中间权值范围(α1”,α2”)的交集作为灰度模型更新缩小后的权值范围;采用相同的方式获得系统动力学模型更新缩小后的权值范围。
考虑到基于系统动力学建立模型虽然是现有技术,但将其应用到不同领域,解决具体的技术问题时,仍需要进行具体的分析。具体的,在本申请中,要实现兼顾短期和中长期排水量预测,必须确定影响短期和中长期排水量预测的各项因素,并分析确定各项因素中的确定变量和不确定变量,并分析获得各确定变量和不确定变量间的因果关系图,以及逻辑关系图,从而建立适用于短期和中长期排水量预测的模型。若确定的确定变量、不确定变量、两者各自的因果关系图以及两个逻辑关系图不准确,都会降低建立的系统动力学模型的预测准确率。
优选的,通过下述方式训练获得系统动力学模型:
确定影响排水量的确定变量和不确定变量,其中,确定变量包括人口数量、三产比例、土地开发面积、工业类别和产值,不确定变量包括节水模式和水资源开发潜力;
建立各确定变量间的第一因果关系图,如图2所示,以及各不确定变量间的第二因果关系图,如图3所示。
建立第一因果关系图、第二因果关系图与排水量间的逻辑关系图,如图4所示,并根据该逻辑关系图建立系统动力学模型。
具体的,图2、图3和图4中的符号“+”表示两个变量呈正相关,符号“-”表示两个变量呈负相关,示例性的,图2中,工业用水重复利用率越高,工业产值越高;单位工业产品耗水量越低,工业产值越高。示例性的,图4中,土地开发面积越大,排水量越多。
利用样本数据集对系统动力学模型进行训练,获得训练好的系统动力学模型。
优选的,训练好的系统动力学模型为:
Y=μALγKδ,
其中,Y为排水量预测值,μ为随机干扰的影响,取经验值1,A为变量的生产或者转化效率,此处取经验值0.8,L为确定变量对排水量预测的贡献度,γ为确定变量对排水量预测的贡献度的产出弹性系数,K为不确定变量对排水量预测的贡献度,δ为不确定变量对排水量预测的贡献度的产出弹性系数,其中,γ+δ>1,此处取γ为0.7,δ为0.4,此外,L和K是通过模型训练确定的参数值。
优选的,根据训练好的灰度模型、第一权值范围,以及训练好的系统动力学模型、第二权值范围,获得排水量预测模型,包括,在第一权值范围内任选一值作为灰度模型的权值以及在第二权值范围内任选一值作为系统动力鞋模型的权值以获得的排水量预测模型,其预测结果的精确度均能满足用户需求。优选的,选取第一权值范围的中间值作为灰度模型的权值,选取第二权值范围的中间值作为系统动力学模型的权值,进而获得排水量预测模型,能够进一步提高预测结果的准确度。
本发明的另一个实施例,公开了一种城市排水量预测系统。
由于该系统具有与上述方法实施例相同的原理,因此重复之处可以参考方法实施例,在此不再赘述。
具体的,如图5所示,该系统包括:
数据处理模块110,用于获取样本数据集,并进行处理;所述样本数据集包括多个样本数据,每一样本数据包括人口数量、降雨量及对应的排水量。
模型建立模块120,用于基于处理后的样本数据集,采用极限值法确定训练好的灰度模型和系统动力学模型分别对应的第一权值范围和第二权值范围。
模型建立模块120还用于,根据训练好的灰度模型、第一权值范围,以及训练好的系统动力学模型、第二权值范围,获得排水量预测模型。
预测模块130,根据目标预测日期的人口数量和降雨量,基于获得的排水量预测模型获得目标预测日期的排水量。
优选的,模型建立模块120,进一步用于:
样本数据集包括第一样本数据集和第二样本数据集,第一样本数据集和第二样本数据集均包括多个样本数据;
基于第一样本数据集分别获得灰度模型和系统动力学模型的权值范围;
重复权值范围更新过程,直至基于灰度模型和所述系统动力学模型获得的排水量预测模型,预测获得的降雨量与对应样本数据中的降雨量的差值在预设范围内,进而确定第一权值范围和第二权值范围;
权值范围更新过程包括:根据系统动力学模型的权值范围更新缩小灰度模型的权值范围,并根据灰度模型的权值范围更新缩小系统动力学模型的权值范围。
优选的,模型建立模块120,进一步用于:
确定影响排水量的确定变量和不确定变量,其中,确定变量包括人口数量、三产比例、土地开发面积、工业类别和产值,不确定变量包括节水模式和水资源开发潜力。
建立各确定变量间的第一因果关系图,以及各不确定变量间的第二因果关系图。
建立第一因果关系图、第二因果关系图与排水量间的逻辑关系图,并根据逻辑关系图建立系统动力学模型。
利用样本数据集对系统动力学模型进行训练,获得训练好的系统动力学模型。
训练好的系统动力学模型为:
Y=μALγKδ,
其中,Y为排水量预测值,μ为随机干扰的影响,A为变量的生产或者转化效率,L为确定变量对排水量预测的贡献度,γ为确定变量对排水量预测的贡献度的产出弹性系数,K为不确定变量对排水量预测的贡献度,δ为不确定变量对排水量预测的贡献度的产出弹性系数。
与现有技术相比,本发明实施例公开的城市排水量预测方法及系统,首先,基于灰度模型和系统动力学模型的结合建立排水量预测模型,不仅能够对短期排水量进行预测,同时还能对中长期排水量进行预测,且预测准确度有显著提高。其次,采用极限值法不断优化缩小灰度模型和系统动力学模型的权值范围,使基于该权值范围内的灰度模型和系统动力模型组成的排水量预测模型对短期和中长期排水量的预测值与实际值的误差很小,具有较高的预测精度。最后,本发明结合排水量预测的实际情况,分析获得影响排水量预测的确定变量和不确定变量,并分别分析各确定变量和不确定变量之间的因果关系,进而根据该因果关系建立确定变量和不确定变量间的逻辑关系,并根据该逻辑关系训练获得适用于短期和中长期排水量预测的系统动力学模型。
本领域技术人员可以理解,实现上述实施例方法的全部或部分流程,可以通过计算机程序来指令相关的硬件来完成,所述的程序可存储于计算机可读存储介质中。其中,所述计算机可读存储介质为磁盘、光盘、只读存储记忆体或随机存储记忆体等。
以上所述,仅为本发明较佳的具体实施方式,但本发明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发明揭露的技术范围内,可轻易想到的变化或替换,都应涵盖在本发明的保护范围之内。
Claims (10)
1.一种城市排水量预测方法,其特征在于,包括以下步骤:
获取样本数据集,所述样本数据集包括多个样本数据,每一样本数据包括人口数量、降雨量及对应的排水量;
基于所述样本数据集,采用极限值法确定训练好的灰度模型和系统动力学模型分别对应的第一权值范围和第二权值范围;
根据训练好的灰度模型、第一权值范围,以及训练好的系统动力学模型、第二权值范围,获得排水量预测模型;
根据目标预测日期的人口数量和降雨量,基于获得的排水量预测模型获得目标预测日期的排水量。
2.根据权利要求1所述的城市排水量预测方法,其特征在于,所述采用极限值法确定训练好的灰度模型和系统动力学模型分别对应的第一权值范围和第二权值范围,包括:
所述样本数据集包括第一样本数据集和第二样本数据集,所述第一样本数据集和第二样本数据集均包括多个样本数据;
基于所述第一样本数据集分别获得灰度模型和系统动力学模型的权值范围;
重复权值范围更新过程,直至基于所述灰度模型和所述系统动力学模型获得的排水量预测模型,预测获得的降雨量与对应样本数据中的降雨量的差值在预设范围内,以确定所述第一权值范围和第二权值范围;
所述权值范围更新过程包括:根据所述系统动力学模型的权值范围更新缩小所述灰度模型的权值范围,并根据所述灰度模型的权值范围更新缩小所述系统动力学模型的权值范围。
3.根据权利要求2所述的城市排水量预测方法,其特征在于,所述基于所述第一样本数据集分别获得灰度模型和系统动力学模型的权值范围的步骤,包括:
将所述第一样本数据集中每一样本数据中的人口数量和降雨量输入所述灰度模型,获得降雨量预测值,根据所述降雨量预测值与所述样本数据中的降雨量确定对应的权值,根据每一样本数据对应获得的权值中的最小权值和最大权值确定权值范围,并采用相同的方式获得所述系统动力学模型对应的权值范围。
4.根据权利要求3所述的城市排水量预测方法,其特征在于,所述权值范围更新过程,进一步包括:
设置所述系统动力学模型的最小权值,将每一样本数据中的人口数量和降雨量分别输入所述灰度模型和所述系统动力学模型,获得灰度模型降雨量预测值和系统动力学模型降雨量预测值,并结合样本数据中的降雨量获得对应的权值,根据每一样本数据对应获得的权值中的最小权值和最大权值确定第一中间权值范围;设置所述系统动力学模型的最大权值,并采用相同的方式获得所述灰度模型对应的第二中间权值范围,将所述第一中间权值范围和第二中间权值范围的交集作为所述灰度模型更新缩小后的权值范围;采用相同的方式获得所述系统动力学模型更新缩小后的权值范围。
5.根据权利要求1-4任一项所述的城市排水量预测方法,其特征在于,通过下述方式训练获得系统动力学模型:
确定影响排水量的确定变量和不确定变量,所述确定变量包括人口数量、三产比例、土地开发面积、工业类别和产值,所述不确定变量包括节水模式和水资源开发潜力;
建立各所述确定变量间的第一因果关系图,以及各所述不确定变量间的第二因果关系图;
建立所述第一因果关系图、第二因果关系图与排水量间的逻辑关系图,并根据所述逻辑关系图建立系统动力学模型;
利用所述样本数据集对所述系统动力学模型进行训练,获得训练好的系统动力学模型。
6.根据权利要求5所述的城市排水量预测方法,其特征在于,训练好的系统动力学模型为:
Y=μALγKδ,
其中,Y为排水量预测值,μ为随机干扰的影响,A为变量的生产或者转化效率,L为确定变量对排水量预测的贡献度,γ为确定变量对排水量预测的贡献度的产出弹性系数,K为不确定变量对排水量预测的贡献度,δ为不确定变量对排水量预测的贡献度的产出弹性系数。
7.根据权利要求1所述的城市排水量预测方法,其特征在于,所述根据训练好的灰度模型、第一权值范围,以及训练好的系统动力学模型、第二权值范围,获得排水量预测模型,包括:选取第一权值范围的中间值作为灰度模型的权值,选取第二权值范围的中间值作为系统动力学模型的权值,进而获得排水量预测模型。
8.一种城市排水量预测系统,其特征在于,包括:
数据处理模块,用于获取样本数据集,并进行处理;所述样本数据集包括多个样本数据,每一样本数据包括人口数量、降雨量及对应的排水量;
模型建立模块,用于基于处理后的样本数据集,采用极限值法确定训练好的灰度模型和系统动力学模型分别对应的第一权值范围和第二权值范围;
还用于,根据训练好的灰度模型、第一权值范围,以及训练好的系统动力学模型、第二权值范围,获得排水量预测模型;
预测模块,根据目标预测日期的人口数量和降雨量,基于获得的排水量预测模型获得目标预测日期的排水量。
9.根据权利要求8所述的城市排水量预测系统,其特征在于,所述模型建立模块,进一步用于:
所述样本数据集包括第一样本数据集和第二样本数据集,所述第一样本数据集和第二样本数据集均包括多个样本数据;
基于所述第一样本数据集分别获得灰度模型和系统动力学模型的权值范围;
重复权值范围更新过程,直至基于所述灰度模型和所述系统动力学模型获得的排水量预测模型,预测获得的降雨量与对应样本数据中的降雨量的差值在预设范围内,进而确定所述第一权值范围和第二权值范围;所述权值范围更新过程包括:根据所述系统动力学模型的权值范围更新缩小所述灰度模型的权值范围,并根据所述灰度模型的权值范围更新缩小所述系统动力学模型的权值范围。
10.根据权利要求8或9所述的城市排水量预测系统,其特征在于,所述模型建立模块,进一步用于:
确定影响排水量的确定变量和不确定变量,所述确定变量包括人口数量、三产比例、土地开发面积、工业类别和产值,所述不确定变量包括节水模式和水资源开发潜力;
建立各所述确定变量间的第一因果关系图,以及各所述不确定变量间的第二因果关系图;
建立所述第一因果关系图、第二因果关系图与排水量间的逻辑关系图,并根据所述逻辑关系图建立系统动力学模型;
利用所述样本数据集对所述系统动力学模型进行训练,获得训练好的系统动力学模型;
训练好的系统动力学模型为:
Y=μALγKδ,
其中,Y为排水量预测值,μ为随机干扰的影响,A为变量的生产或者转化效率,L为确定变量对排水量预测的贡献度,γ为确定变量对排水量预测的贡献度的产出弹性系数,K为不确定变量对排水量预测的贡献度,δ为不确定变量对排水量预测的贡献度的产出弹性系数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011375380.9A CN112488390B (zh) | 2020-11-30 | 2020-11-30 | 一种城市排水量预测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011375380.9A CN112488390B (zh) | 2020-11-30 | 2020-11-30 | 一种城市排水量预测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112488390A true CN112488390A (zh) | 2021-03-12 |
CN112488390B CN112488390B (zh) | 2021-08-17 |
Family
ID=74937513
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011375380.9A Active CN112488390B (zh) | 2020-11-30 | 2020-11-30 | 一种城市排水量预测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112488390B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113326812A (zh) * | 2021-07-01 | 2021-08-31 | 安徽金晥泵业科技股份有限公司 | 一种基于互联网的区域分片调蓄处理排水系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2007205001A (ja) * | 2006-02-01 | 2007-08-16 | Fuji Electric Systems Co Ltd | 流量予測装置 |
CN110047015A (zh) * | 2019-04-22 | 2019-07-23 | 水利部信息中心 | 一种融合kpca和思维优化bp神经网络的用水总量预测方法 |
CN110110890A (zh) * | 2019-03-28 | 2019-08-09 | 杭州电子科技大学 | 基于elman神经网络的日污水量预测方法 |
JP2020170339A (ja) * | 2019-04-03 | 2020-10-15 | 日新電機株式会社 | 学習装置及び下水流入量予測装置 |
-
2020
- 2020-11-30 CN CN202011375380.9A patent/CN112488390B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2007205001A (ja) * | 2006-02-01 | 2007-08-16 | Fuji Electric Systems Co Ltd | 流量予測装置 |
CN110110890A (zh) * | 2019-03-28 | 2019-08-09 | 杭州电子科技大学 | 基于elman神经网络的日污水量预测方法 |
JP2020170339A (ja) * | 2019-04-03 | 2020-10-15 | 日新電機株式会社 | 学習装置及び下水流入量予測装置 |
CN110047015A (zh) * | 2019-04-22 | 2019-07-23 | 水利部信息中心 | 一种融合kpca和思维优化bp神经网络的用水总量预测方法 |
Non-Patent Citations (2)
Title |
---|
杨金帆等: ""基于系统动力学的内蒙古废水排放量预测分析"", 《数学的实践与认识》 * |
赵菊等: ""基于多因素灰色预测模型的生活污水量预测研究"", 《环境科学与管理》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113326812A (zh) * | 2021-07-01 | 2021-08-31 | 安徽金晥泵业科技股份有限公司 | 一种基于互联网的区域分片调蓄处理排水系统 |
Also Published As
Publication number | Publication date |
---|---|
CN112488390B (zh) | 2021-08-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113837356B (zh) | 基于融合神经网络的污水处理智能预测方法 | |
CN110824915B (zh) | 基于ga-dbn网络的废水处理智能监控方法及系统 | |
CN110889085A (zh) | 基于复杂网络多元在线回归的废水智能监控方法及系统 | |
CN114282725B (zh) | 基于深度学习的瞬态油藏代理模型的构建及油藏预测方法 | |
Gao et al. | Comparative study of model-based and model-free reinforcement learning control performance in HVAC systems | |
CN105184398A (zh) | 一种电力最大负荷小样本预测方法 | |
CN112488390B (zh) | 一种城市排水量预测方法及系统 | |
CN114997503A (zh) | 一种城市碳达峰时域的预测方法及系统 | |
CN117235595A (zh) | 一种基于LSTM-Attention的污水处理加药量预测方法及系统 | |
Zhao et al. | Building cooling load prediction based on lightgbm | |
CN116502542B (zh) | 一种基于深度学习的多工艺产品关键工序识别方法 | |
CN114004414B (zh) | 一种耦合Copula与LSTM的工企用能负荷预测方法 | |
CN114036819B (zh) | 基于自组织随机配置网络的污水总磷软测量方法及系统 | |
CN117365430A (zh) | 一种页岩气单井日产量预测方法及系统 | |
CN115048858A (zh) | 一种反向神经传播网络的核电材料寿命预测模型及方法 | |
CN113887816A (zh) | 一种家用电器社会保有量的智能预测方法、装置及设备 | |
CN116401935A (zh) | 一种建筑动态热负荷神经网络预测方法及系统 | |
CN116882696B (zh) | 一种耦合模糊识别及概率推理的水库群防洪安全双层判别方法 | |
Liu | Labor Market Resource Allocation Optimization Based on Principal Component Analysis | |
CN118158092B (zh) | 一种算力网络调度方法、装置及电子设备 | |
CN112613632B (zh) | 功率预测模型建立方法、预测方法、装置及电子设备 | |
CN113705849B (zh) | 信息处理装置和信息处理方法 | |
CN115688964A (zh) | 一种基于遗传算法优化的灰色Verhulst模型预测方法及系统 | |
CN118095510A (zh) | 一种页岩气产量预测方法及系统 | |
Zhou et al. | Reliable identification based intelligent PID tuning for long-period process control under different working conditions |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |