一种基于GRU神经网络的居民用水预测系统及预测方法技术方案

本发明专利技术公开了一种基于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。本发明专利技术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。民正常用水。民正常用水。

A prediction system and method of residential water consumption based on Gru neural network

【技术实现步骤摘要】
一种基于GRU神经网络的居民用水预测系统及预测方法


[0001]本专利技术属于居民用水预测方法
，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。

技术介绍

[0002]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。
[0003]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本文档来自技高网...

【技术保护点】

【技术特征摘要】
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。3.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，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；X
min
表示历史数据中的最小值；X
max
表示历史数据中的最大值。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...

【专利技术属性】
技术研发人员：薛萌，华一佳，薛延学，吴迪，刘梦玥，
申请(专利权)人：西安理工大学，
类型：发明
国别省市：