CN113128754A - 一种基于gru神经网络的居民用水预测系统及预测方法 - Google Patents
一种基于gru神经网络的居民用水预测系统及预测方法 Download PDFInfo
- Publication number
- CN113128754A CN113128754A CN202110346194.0A CN202110346194A CN113128754A CN 113128754 A CN113128754 A CN 113128754A CN 202110346194 A CN202110346194 A CN 202110346194A CN 113128754 A CN113128754 A CN 113128754A
- Authority
- CN
- China
- Prior art keywords
- water consumption
- residents
- neural network
- daily water
- 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 114
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 56
- 238000000034 method Methods 0.000 title claims abstract description 27
- 238000012549 training Methods 0.000 claims abstract description 53
- 239000013598 vector Substances 0.000 claims abstract description 14
- 238000012360 testing method Methods 0.000 claims abstract description 13
- 241000288105 Grus Species 0.000 claims abstract description 9
- 210000002569 neuron Anatomy 0.000 claims description 19
- 238000010606 normalization Methods 0.000 claims description 6
- 230000009466 transformation Effects 0.000 claims description 5
- 238000010276 construction Methods 0.000 claims description 2
- 230000006870 function Effects 0.000 description 17
- 230000000694 effects Effects 0.000 description 9
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 230000004913 activation Effects 0.000 description 4
- 238000003062 neural network model Methods 0.000 description 4
- 238000012795 verification Methods 0.000 description 4
- 238000004880 explosion Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 230000000306 recurrent effect Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000005265 energy consumption Methods 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 238000011425 standardization method Methods 0.000 description 2
- 210000004027 cell Anatomy 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000029087 digestion Effects 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 238000005516 engineering process Methods 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
- 238000012804 iterative process Methods 0.000 description 1
- 230000007787 long-term memory Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000015654 memory Effects 0.000 description 1
- 230000010355 oscillation Effects 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- 238000010200 validation analysis 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
- 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
- G06N3/08—Learning methods
-
- 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)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Marketing (AREA)
- Biophysics (AREA)
- General Business, Economics & Management (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Tourism & Hospitality (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Entrepreneurship & Innovation (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GRU神经网络的居民用水预测系统及预测方法,该方法包括:构建预测模型模块,用于构建两层GRU的居民日用水量预测模型;训练预测模型模块,用于采集居民日用水量、天气类型,最高最低气温以及工作日类型这些影响因素,并将与这些影响因素相对应的特征向量输入到两层GRU网络中实现居民日用水量预测模型的训练;测试预测模型模块,用于将与这些影响因素相对应的特征向量作为测试数据,输入到训练好的居民日用水量预测模型中,预测出居民日用水量;根据预测进行供水量管理模块,用于根据预测进行居民日供水量的管理。本发明能够及时准确的根据预测进行居民日供水量管理,达到提前预警采取应对措施,保障居民正常用水。
Description
技术领域
本发明属于居民用水预测方法技术领域,具体涉及一种基于GRU神经网络的居民用水预测系统,还涉及一种基于GRU神经网络的居民用水预测方法。
背景技术
伴随社会的飞速发展,居民的用水需求不断增长,居民用水预测是供水部门保障供水、科学调度的基础。在最近的几十年内,许多国家和城市都因出现过缺水问题而积极展开对居民用水预测的方法及系统研究。
传统的居民用水预测以年、月为时间尺度的,无法为每日的供水调度提供依据;而居民日用水量具有非线性、非平稳性的特点,居民日用水量预测可以视为一种时间序列预测的经典应用,它会受到温度、降雨、工作日等因素的影响。随着计算机技术快速发展及对用水量预测准确度要求的提高,精度较低的传统统计学预测方法已经逐渐被人工神经网络取代,深度学习模型渐渐成为了预测问题最广泛使用的研究方法。其中递归神经网络(RNN)是一种有效处理顺序数据的深度神经网络,是时间序列预测最常用的工具。但是,当处理较长的数据序列时,RNN很容易受到梯度消失或梯度爆炸的困扰,从而使得训练无法将梯度传播下去。LSTM模型是一种改进后的RNN模型的,它在RNN模型的基础上加入细胞控制机制来解决RNN的长期依赖问题,以及时间序列过长易导致的梯度爆炸问题,能够记住长时间间隔的历史数据信息,但由于模型训练时长,不能及时用于居民日用水预测中。
发明内容
本发明的目的在于提供一种基于GRU神经网络的居民用水预测方法,可及时提供居民日用水预测、用水阶梯水价提示提供服务,同时,通过对某区域内所有用户的日用水量预测,可为供水企业区域供水微观调度提供辅助决策依据,从而降低供水能耗,保障居民的正常用水。
本发明的目的还在于提供一种基于GRU神经网络的居民用水预测系统。
本发明所采用的第一种技术方案是:一种基于GRU神经网络的居民用水预测系统,包括构建预测模型模块,训练预测模型模块、测试预测模型模块以及供水量管理模块;
构建预测模型模块,用于构建两层GRU的居民日用水量预测模型;
训练预测模型模块,用于采集居民日用水量、天气类型,最高最低气温以及工作日类型这些影响因素,并将与这些影响因素的信息转换为特征向量,将特征向量输入到两层GRU网络中实现居民日用水量预测模型的训练;
测试预测模型模块,用于将与上述影响因素相对应的信息转换为特征向量,将特征向量作为测试数据,输入到训练好的居民日用水量预测模型中;预测出居民日用水量;
供水量管理模块用于根据预测居民日用水量进行供水量的管理。
本发明所采用的第二种技术方案是:一种基于GRU神经网络的居民用水预测方法,具体操作步骤如下:
步骤1.构建两层GRU神经网络的居民日用水量预测模型;
步骤2.采集居民日用水量、天气类型,最高最低气温以及工作日类型这些影响因素,并将与这些影响因素的信息转换为特征向量,将特征向量输入到两层GRU神经网络中实现居民日用水量预测模型的训练;
步骤3.将测试数据输入到训练好的居民日用水量预测模型中,预测出居民日用水量。
本发明的特点还在于,
在居民日用水量预测模型建立的初始,需要对历史数据进行归一化预处理,采用Min-max标准化方法,将历史数据进行线性变换,使其结果值映射到[0,1]之间,其变换公式为:
式中:X*表示归一化后的数据;X表示原始数据;
Xmin表示历史数据中的最小值;Xmax表示历史数据中的最大值。
还包括步骤4:根据步骤3所述居民日用水量,进行供水量的管理。
步骤1中GRU神经网络的神经元使用数学公式表达为:
zt=σ(Wz·[ht-1,xt]) (2)
rt=σ(Wr·[ht-1,xt]) (3)
式中:Zt:更新门的输出;Wz:更新门的权重;rt:复位门的输出;ht:当前神经元的输出;ht-1:前一个神经元的输出;当前神经元的待定输出值;xt:当前神经元的输入;σ:sigmod激活函数;tanh:双曲正切函数。
GRU神经网络采用两层GRU进行模型构建,在隐藏层中每层有256个单元,输出层1个神经元,输入变量是一个时间步长(t-1)的特征,采用影响居民日用水量的影响因素作为输入层的输入,选择使用均方根误差RMSE作为损失函数,随机梯度下降法SGD作为优化器。
GRU神经网络被训练的轮数epochs为100、批次大小batch_size为32。
本发明的有益效果是:本发明提出了一种基于GRU神经网络的居民用水预测方法及系统,能够及时准确预测出居民日用水量,并根据预测的居民日用水量进行供水量管理。可及时居民提供日用水预测、用水阶梯水价提示提供服务,同时,通过对某区域内所有用户的日用水量预测,可为供水企业区域供水微观调度提供辅助决策依据,从而降低供水能耗,保障居民的正常用水。
附图说明
图1是本发明实施例的基于GRU神经网络的居民用水预测系统结构图;
图2是本发明实施例的基于GRU神经网络的居民用水预测方法流程图;
图3是本发明的GRU神经网络结构图;
图4示出根据本发明实施例构建的两层GRU神经网络的模型预测结构图。
具体实施方式
下面结合附图和具体实施方式对本发明进行详细说明。
本发明是一种基于GRU神经网络的居民用水预测方法流程如图2所示,(1)选择需要预测的日期;然后统计前一日实际日用水量;输入前一日日期、天气、温度,对天气和日期类型进行了离散特征数值化编码;(2)进行数据归一化处理;(3)利用GRU神经网络对输入数据进行训练,得到训练后的预测模型并保存;(4)读取训练好的预测模型,利用GRU神经网络对输入数据输出预测结果;(5)判断输入日期是否小于当前日期,若是,则输出实际值,若否,则结束。
具体包括以下步骤:
步骤1:数据预处理
步骤1.1:离散特征数值化编码
本发明获取的居民日用水量影响因素数据中,天气和日期类型使用了离散的字符串形式表示,天气包括晴、阴、多云、小雨等8种状态,日期类型包括工作日、周末、节假日3种状态。离散特征数值化编码是将离散字符串表示的特征用具体的数值表示,本发明采用常用的分类特征数值化编码LabelEncoding算法,LabelEncoding是一种最简单的编码方法,它仅需要1位有效数字来对类别进行编码,不同类别对应不同的数值大小,如[“晴”,“阴”,“多云”,“多云”,“小雨”]的编码结果是[1,2,2,3,4]。具体编码如表1及表2所示。
表1天气类型数值化编码
表2日期类型数值化编码
通过上述对天气和日期类型特征使用简单的Label Encoding方法,避免了特征维度的扩展,在模型输入端和其它模态数据保持一致的输入结构,使其变成居民用水预测模型能直接处理的数据形式。
步骤1.2:数据归一化
在模型建立的初始,需要对历史数据进行归一化预处理,本发明采用Min-max标准化方法,将历史数据进行线性变换,使其结果值映射到[0,1]之间,其变换公式为:
式中:X*—归一化后的数据;X—原始数据;
Xmin—历史数据中的最小值;Xmax—历史数据中的最大值。
步骤2:构建两层GRU神经网络
Cho在2014年提出了GRU神经网络,作为LSTM神经网络的一种变体,它可以在保持LSTM性能的同时优化LSTM的网络结构,减少模型训练时长。与LSTM网络结构相比,GRU网络改良了“门”的设计,它只有两种门结构,即更新门和复位门。更新门用于控制将先前隐藏状态的信息转移到当前状态的程度,更新门的值越大,表示从先前状态中保存的信息越多。类似地,复位门用于控制剔除先前隐藏状态信息的程度,复位门的值越小,则表示剔除的信息越多。GRU的网络结构图如图3所示,目前有大量研究的实验结果表明,GRU神经网络在模型收敛时间,参数更新和泛化能力上都可以胜过LSTM。
GRU神经网络的神经元使用数学公式表达为:
zt=σ(Wz·[ht-1,xt]) (2)
rt=σ(Wr·[ht-1,xt]) (3)
式中:Zt:更新门的输出;Wz:更新门的权重;rt:复位门的输出;ht:当前神经元的输出;ht-1:前一个神经元的输出;当前神经元的待定输出值;xt:当前神经元的输入;σ:sigmod激活函数;tanh:双曲正切函数。
由GRU神经网络的网络结构图及公式(2)至(5)可以看出,各个神经元之间传递的信息都互相依赖,更有利于解决长间隔时间序列问题,因此本发明选择GRU神经网络来进行居民日用水量的预测。
步骤2.1:激活函数选择
常用的激活函数有Sigmiod,Tanh,Relu函数等,相比于Sigmiod,Tanh,Relu函数的数学形式为:
f(x)=max(0,x) (7)
Relu函数计算速度比较快,只需要判断输入是否大于0,收敛速度远快于Sigmod和Tanh。由于Relu函数解决了部分梯度弥散问题,收敛速度最快。本发明结合居民日用水量的特点,综合考虑模型的收敛速度和训练时长,选择Relu函数作为激活函数。
步骤2.2:设置模型参数
模型训练主要调节的参数有:隐藏层的层数,隐藏层所包含的节点数,模型被训练的轮数(epochs),批次大小(batch_size),优化器(optimizer)。
Epochs是在训练过程中一个完整的数据集通过神经网络一次并且返回一次。在神经网络中传递一次是不够的,对于有限的数据集,使用一个迭代过程,更新一次权重或者说使用一次epochs是达不到效果的,需要将完整的数据集在同样的神经网络中传递多次,随着epochs次数增加,神经网络的权重也随之更新,损失进一步降低。
批次大小(batch_size)表示在更新权重之前要训练的数据点的数量,在Keras中参数更新是按批进行的,把数据分为若干组,称为batch,按批更新参数。训练神经网络过程中,batch_size和epochs的大小影响更新权重的快慢进而影响神经网络学习的速度。
当保持epochs不变时,在合理的范围内,随着batch_size的增大,跑完一次epochs所需的迭代次数减少,训练速度进一步加快,确定的下降方向更准,引起的训练震荡越小。当batch_size很大的时候,运行一次epochs相应的迭代次数减少,但另一方面,如果要求同样的精准度,就会增加耗时。
当保持batch_size不变时,在合理范围内随着epochs的增加,训练集和验证集的误差呈现下降趋势,训练时间会增加,模型有了效果。随着epochs的继续增加,训练时间会进一步增大,同时性能也不好。所以选择合适的epochs和batch_size需要通过不断地实验来确定。
优化器(optimizer)的选择上经过实验结果对比,GRU选取epochs为100,batch_size为32,optimizer为SGD时,网络模型的预测效果较好,此时均方根误差为0.648,模型平均训练时间为368s。
步骤2.3:网络训练考虑到用水量的周期性,本发明选取某县2016年至2019年四年时间内居民日用水量进行网络训练。训练数据总共1458个,按照3:1的比例,将3年的数据作为训练集,1年的数据作为验证集,即1095个训练集数据,363个验证集数据。输入层采用影响居民日用水量预测的特征因素作为输入,利用两个GRU层进行非线性函数的训练来拟合居民日用水量,通过如图4所示的模型图来进行基于GRU神经网络的居民日用水量预测模型的构建。
本发明采用影响居民日用水量的特征因素作为输入层的输入,采用两层GRU进行模型构建,在隐藏层中每层有256个单元,输出层1个神经元,输入变量是一个时间步长(t-1)的特征。选择使用RMSE作为损失函数,SGD为优化器。模型采用100个epochs并且每个batch的大小为32。
实验结果表明,两层GRU完全能够拟合非线性函数,通过测试了三层和四层,并没有显著提高验证性能。因此本发明采用两层GRU神经网络构建居民日用水量预测模型。
步骤3:居民日用水量预测模型训练
考虑到用水量的周期性,使用2年的数据作为训练,1年的数据作为验证集,即730个测试集数据,365个训练集数据。
表3和表4分别选取优化器为Adam算法和sgd(随机梯度下降),并选择不同的epochs和batch_size进行训练的结果。观察表3和表4可以发现,随着batch_size增大,训练所需时间在逐渐减小,但RMSE有的时候却在增大;而增大pochs,同样会增加训练时间。
从表3和表4可以看出在优化器为Adam时,RNN预测居民日用水量的效果不如LSTM和GRU效果好,说明基本的循环神经网络在处理长期记忆时,特别是时间序列数据预测中准确性不高,其可能的原因是RNN存在梯度消化或梯度爆炸的问题。而LSTM和GRU却能在实验中取得较好的预测效果,其模型在解决长时间的记忆中具有更好的优势,特别是GRU神经网络模型在预测居民日用水量趋势时具有更好的性能。
对比表3和表4可以看出GRU神经网络模型在优化器为sgd下要比Adam下RMSE小很多,说明对于GRU模型选择sgd优化器训练效果会更好;在相同条件下GRU比LSTM训练时间更快,而且均方误差更小,从而说明了GRU保留了和LSTM相同的效果,但要比LSTM简化,缩短了训练时间,也提升了效率。
表3 Adam下RNN、LSTM、GRU训练结果对比
表4 sgd下RNN、LSTM、GRU训练结果对比
经过多次调整训练,GRU在优化器为sgd下选择epochs为100,batch_size为32时,其训练效果比较好,此时训练时间为568s,RMSE为0.204。同样LSTM在优化器为Adam下选择epochs为100,batch_size为32时,耗时360s,RMSE为2.927,训练效果相对较好。
步骤4:居民日用水量预测模型测试
表5为利用训练好的GRU神经网络、LSTM神经网络和RNN循环神经网络的模型,分别对某县2019年12月1日到2019年12月7日的居民日用水量进行预测,并将结果反归一化后得到的居民日用水量预测结果。
表5不同神经网络的预测效果
表6是利用三种神经网络模型对居民日用水量进行预测并将预测值反归一化后的RMSE及模型的平均训练时长对比,可以看出在数据集相同的情况下,基于GRU神经网络的预测模型的RMSE更小。在训练耗时上面,GRU模型要比LSTM模型平均降低29.73%。说明相比RNN和LSTM,GRU在居民日用水量预测上的预测精度更高,更适合解决长间隔的时间序列问题。
表6不同神经网络的RMSE及time表现
RNN | LSTM | GRU | |
RMSE | 264.347 | 196.684 | 132.593 |
time(s) | 87 | 518 | 364 |
Claims (7)
1.一种基于GRU神经网络的居民用水预测系统,其特征在于,包括构建预测模型模块,训练预测模型模块、测试预测模型模块以及供水量管理模块;
所述构建预测模型模块,用于构建两层GRU的居民日用水量预测模型;
所述训练预测模型模块,用于采集居民日用水量、天气类型,最高最低气温以及工作日类型这些影响因素,并将与这些影响因素的信息转换为特征向量,将特征向量输入到两层GRU网络中实现居民日用水量预测模型的训练;
所述测试预测模型模块,用于将与上述影响因素相对应的信息转换为特征向量,将特征向量作为测试数据,输入到训练好的居民日用水量预测模型中;预测出居民日用水量;
所述供水量管理模块用于根据预测居民日用水量进行供水量的管理。
2.根据权利要求1所述的一种基于GRU神经网络的居民用水预测方法,其特征在于,具体操作步骤如下:
步骤1.构建两层GRU神经网络的居民日用水量预测模型;
步骤2.采集居民日用水量、天气类型,最高最低气温以及工作日类型这些影响因素,并将与这些影响因素的信息转换为特征向量,将特征向量输入到两层GRU神经网络中实现居民日用水量预测模型的训练;
步骤3.将测试数据输入到训练好的居民日用水量预测模型中,预测出居民日用水量。
4.根据权利要求2所述的一种基于GRU神经网络的居民用水预测方法,其特征在于,还包括步骤4:根据步骤3所述居民日用水量,进行供水量的管理。
6.根据权利要求2所述的一种基于GRU神经网络的居民用水预测方法,其特征在于,所述GRU神经网络采用两层GRU进行模型构建,在隐藏层中每层有256个单元,输出层1个神经元,输入变量是一个时间步长(t-1)的特征,采用影响居民日用水量的影响因素作为输入层的输入,选择使用均方根误差RMSE作为损失函数,随机梯度下降法SGD作为优化器。
7.根据权利要求6所述的一种基于GRU神经网络的居民用水预测方法,其特征在于,所述GRU神经网络被训练的轮数epochs为100、批次大小batch_size为32。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110346194.0A CN113128754A (zh) | 2021-03-31 | 2021-03-31 | 一种基于gru神经网络的居民用水预测系统及预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110346194.0A CN113128754A (zh) | 2021-03-31 | 2021-03-31 | 一种基于gru神经网络的居民用水预测系统及预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113128754A true CN113128754A (zh) | 2021-07-16 |
Family
ID=76774357
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110346194.0A Pending CN113128754A (zh) | 2021-03-31 | 2021-03-31 | 一种基于gru神经网络的居民用水预测系统及预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113128754A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116523146A (zh) * | 2023-06-30 | 2023-08-01 | 天津蓝天环科环境科技股份有限公司 | 一种基于神经网络的医院污水量预测方法及装置 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20030078901A1 (en) * | 2001-10-22 | 2003-04-24 | Coppola Emery J. | Neural network based predication and optimization for groundwater / surface water system |
CN105956690A (zh) * | 2016-04-25 | 2016-09-21 | 广州东芝白云自动化系统有限公司 | 一种供水预测方法及系统 |
CN110991776A (zh) * | 2020-03-04 | 2020-04-10 | 浙江鹏信信息科技股份有限公司 | 一种基于gru网络实现水位预测的方法及系统 |
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 |
CN111626518A (zh) * | 2020-05-29 | 2020-09-04 | 上海交通大学 | 基于深度学习神经网络的城市天级需水量在线预测方法 |
-
2021
- 2021-03-31 CN CN202110346194.0A patent/CN113128754A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20030078901A1 (en) * | 2001-10-22 | 2003-04-24 | Coppola Emery J. | Neural network based predication and optimization for groundwater / surface water system |
CN105956690A (zh) * | 2016-04-25 | 2016-09-21 | 广州东芝白云自动化系统有限公司 | 一种供水预测方法及系统 |
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 |
CN110991776A (zh) * | 2020-03-04 | 2020-04-10 | 浙江鹏信信息科技股份有限公司 | 一种基于gru网络实现水位预测的方法及系统 |
CN111626518A (zh) * | 2020-05-29 | 2020-09-04 | 上海交通大学 | 基于深度学习神经网络的城市天级需水量在线预测方法 |
Non-Patent Citations (2)
Title |
---|
AURÉLIENGÉRON著: "机器学习实战:基于Scikit-Learn、Keras和TensorFlow 原书第2版", 31 October 2020, 机械工业出版社, pages: 15 * |
陆维佳;朱建文;叶圣炯;毛哲凯;信昆仑;: "基于多因素长短时神经网络的日用水量预测方法研究", 给水排水, no. 01 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116523146A (zh) * | 2023-06-30 | 2023-08-01 | 天津蓝天环科环境科技股份有限公司 | 一种基于神经网络的医院污水量预测方法及装置 |
CN116523146B (zh) * | 2023-06-30 | 2023-09-26 | 天津蓝天环科环境科技股份有限公司 | 一种基于神经网络的医院污水量预测方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Tang et al. | Short‐term power load forecasting based on multi‐layer bidirectional recurrent neural network | |
CN111027772B (zh) | 基于pca-dbilstm的多因素短期负荷预测方法 | |
CN111260136A (zh) | 一种基于arima-lstm组合模型的楼宇短期负荷预测方法 | |
CN107590567A (zh) | 一种基于信息熵聚类和注意力机制的循环神经网络短期负荷预测方法 | |
CN112990556A (zh) | 一种基于Prophet-LSTM模型的用户用电能耗预测方法 | |
CN113128113B (zh) | 一种基于深度学习和迁移学习的贫乏信息建筑负荷预测方法 | |
CN111079989B (zh) | 一种基于dwt-pca-lstm的供水公司供水量预测装置 | |
CN110071502B (zh) | 一种短期电力负荷预测的计算方法 | |
CN106022549A (zh) | 基于神经网络和思维演化搜索的短期负荷预测方法 | |
CN112329990A (zh) | 一种基于lstm-bp神经网络的用户用电负荷预测方法 | |
CN113554466A (zh) | 一种短期用电量预测模型构建方法、预测方法和装置 | |
CN111915092A (zh) | 基于长短时记忆神经网络的超短期风电功率预测方法 | |
CN115115125A (zh) | 基于深度学习融合模型的光伏功率区间概率预测方法 | |
CN112884077A (zh) | 基于形状的动态时间归整聚类的园区短期负荷预测方法 | |
CN112990587A (zh) | 一种对台区用电进行精准预测的方法及系统、设备、介质 | |
CN115358461A (zh) | 天然气负荷预测方法、装置、设备、介质 | |
CN115049113A (zh) | 基于时间窗口和超参数自适应选择的s2s电力负荷预测系统 | |
CN113516271A (zh) | 一种基于时空神经网络的风电集群功率日前预测方法 | |
CN115222106A (zh) | 一种自适应模型的用户日前负荷预测方法 | |
CN115860177A (zh) | 基于组合式机器学习模型光伏发电功率预测方法及其应用 | |
CN111985719A (zh) | 一种基于改进的长短期记忆网络的电力负荷预测方法 | |
CN112508286A (zh) | 一种基于Kmeans-BiLSTM-DMD模型的短期负荷预测方法 | |
CN115796004A (zh) | 一种基于SLSTM和MLSTNet模型的光伏电站超短期功率智能预测方法 | |
CN113128754A (zh) | 一种基于gru神经网络的居民用水预测系统及预测方法 | |
CN114581141A (zh) | 基于特征选择与lssvr的短期负荷预测方法 |
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 |