一种基于深度学习的城市日用水量预测方法技术

本发明专利技术公开了一种基于深度学习的城市日用水量预测方法，该方法以前一段时间每日用水量、日最高温度、日降水量、当月用水量占全年比、节假情况等数据为输入层数据，通过逐层贪婪训练包含K‑1个隐层的栈式自编码器（SAE），获得每层的权重，SAE的输出可以认为是数据的非线性、紧凑的特征表示；由于预测过程也是一个非线性的过程，本发明专利技术在包含K‑1个隐层的SAE基础上在连接一个反向传播神经网络（BPNN）而不是直接使用SAE输出的特征进行预测。同时通过反向传播算法对整个K+2层的网络权重进行调谐优化，从而完成深度学习网络的训练。本发明专利技术同时利用了SAE的强大特征表征能力和BPNN的优越预测能力，提高了城市日用水量预测的准确度。

Urban daily water consumption forecasting method based on deep learning

The present invention discloses a method for forecasting urban daily water consumption based on depth learning, which is the input layer data of daily water consumption, daily maximum temperature, daily rainfall, the annual ratio of water consumption to the annual ratio, and the festival holiday, through a layer by layer greedy training package with 1 hidden layers of K (SAE ) with the weight of each layer, the output of the SAE can be considered a nonlinear and compact feature of the data; because the prediction process is also a nonlinear process, the invention is preformed on the basis of connecting a reverse propagation neural network (BPNN) on the basis of the SAE containing the 1 hidden layers of the K, not the direct use of the SAE output. Test. At the same time, the weight of the whole K+2 layer is tuned by back-propagation algorithm to complete the training of deep learning network. The invention also makes use of the strong characteristic representation ability of SAE and the superior prediction ability of BPNN, so as to improve the accuracy of urban daily water consumption prediction.

【技术实现步骤摘要】
一种基于深度学习的城市日用水量预测方法
本专利技术涉及一种城市日用水量预测方法，具体涉及一种基于深度学习的城市日用水量预测方法，属于用水量预测

技术介绍
实行最严格的水资源管理制度，目前的关键是解决用水效率的问题。而解决用水效率的关键则是对用水量的准确预测。用水量和节水潜力会随着时间与天气等条件的影响而发生变化，具有复杂性、非线性、时变性等特点。目前预测所使用的数学方法可以分为三类：时间序列法、结构分析法、系统分析法。时间序列方法可以细分为：确定型、随机概率型。但只是对历史数据的挖掘，在处理随机性因素造成的用水、节水变化异常情况时预测效果受限。结构分析方法在时间和数据关联的基础上添加其他相关因素如温度、降雨量、节假日等综合预测，但该方法中因素的选择对模型的精度影响较大。系统分析方法是一种以反馈控制理论为基础，以计算机仿真技术为手段，通常用以研究复杂的社会经济系统的定量方法。神经网络具有较强的自组织、自学习及归纳与容错能力，且对非线性问题拟合效果较好，越来越多的用于解决预测问题，但是对于有问题的非凸优化，它仍然不能超过一个或两个隐藏层。近年来，GeoffreyHinton等人本文档来自技高网...

【技术保护点】
一种基于深度学习的城市日用水量预测方法，其特征在于，包括如下步骤：步骤1，连续搜集N天的历史数据，包括日用水量、日最高温度、日降水量以及是否为节假日，并对搜集的历史数据做归一化预处理；利用前N‑1天每日用水量、日最高温度、日降水量、是否为节假日作为输入数据，利用第N天的日用水量数据作为输出数据，构建用于训练的输入输出数据集；N为正整数；步骤2，构建深度学习网络模型，包括输入层、K个隐层以及输出层；该模型由包含K‑1个隐层的栈式自编码器和包含1个隐层的反向传播神经网络构成；K为大于2的正整数；步骤3，随机初始化步骤2构建的深度学习网络模型的网络权重；步骤4，将步骤1构建的输入输出数据集作为训练样...

【技术特征摘要】
1.一种基于深度学习的城市日用水量预测方法，其特征在于，包括如下步骤：步骤1，连续搜集N天的历史数据，包括日用水量、日最高温度、日降水量以及是否为节假日，并对搜集的历史数据做归一化预处理；利用前N-1天每日用水量、日最高温度、日降水量、是否为节假日作为输入数据，利用第N天的日用水量数据作为输出数据，构建用于训练的输入输出数据集；N为正整数；步骤2，构建深度学习网络模型，包括输入层、K个隐层以及输出层；该模型由包含K-1个隐层的栈式自编码器和包含1个隐层的反向传播神经网络构成；K为大于2的正整数；步骤3，随机初始化步骤2构建的深度学习网络模型的网络权重；步骤4，将步骤1构建的输入输出数据集作为训练样本，通过逐层贪婪训练具有K-1个隐层的栈式自编码器，得到K-1个隐层的权重，将K-1个隐层的权重分别对应作为深度学习网络模型前K-1个隐层的网络权重；步骤5，将栈式自编码器的输出作为反向传播神经网络的输入，通过反向传播算法对深度学习网络模型总共K+2层的网络权重进行调谐优化，得到训练完成的深度学习网络模型；步骤6，获取测...

【专利技术属性】
技术研发人员：刘凡，许峰，毛莺池，
申请(专利权)人：河海大学，
类型：发明
国别省市：江苏,32