一种基于主要驱动因子筛选和深度学习的动态需水预测方法技术

本发明专利技术公开了一种基于主要驱动因子筛选和深度学习的动态需水预测方法，该方法首先应用Spearman秩相关分析确定研究区域各用水部门的主要驱动因子，然后对实测数据进行归一化处理并分为训练集与测试集，将训练集作为基于主要驱动因子筛选的LSTM深度学习预测模型的多变量输入进行训练，采用测试集对预测模型进行进一步验证，经率定验证获得有效的深度学习预测模型后将样本数据输入进行预测，经过合理性检验后分用水部门获得需水量预测值。本发明专利技术的方法考虑区域发展实际情况，因地制宜选取各行业主要驱动因子作为多变量输入，改善单变量输入预测能力低和预测稳定性差的缺陷，应用此法进行需水预测的结果更加准确，精度更高。精度更高。精度更高。

【技术实现步骤摘要】
一种基于主要驱动因子筛选和深度学习的动态需水预测方法


[0001]本专利技术涉及一种基于主要驱动因子筛选和深度学习的动态需水预测方法，属于水资源利用和高效管理领域。

技术介绍

[0002]水是人类社会活动不可替代的重要自然资源，在经济社会发展中起着至关重要的作用。随着世界人口的不断增长、经济的持续飞跃发展、水资源时空分布越发不均、人类对水资源需求的提高及水资源的日益短缺等,水资源供需矛盾更加突出。因此,如何通过合理有效的水资源需求预测来缓解水资源供需矛盾已成了各个国家和地区进行水资源规划的主要任务之一。
[0003]目前，常见的水资源需求预测方法有时间序列法、灰色预测法及回归分析法等方法。经分析，发现上述现有技术存在如下缺点：基于时间序列法的需水预测方法不能定量反映诸多因素对需水量的影响，而且当遇到外界环境发生较大变化时，预测结果往往会有较大偏差；灰色预测法要求数据呈指数增长趋势,对波动性强的时间序列的预测精度较差,而水资源量等数据波动幅度常常较大；回归分析法需要大量的原始资料才能保证模型的准确性,连续完整的原始资料的获取是比较困难的,本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于主要驱动因子筛选和深度学习的动态需水预测方法，其特征在于，该方法包括如下步骤：首先应用Spearman秩相关分析确定研究区域各用水部门的主要驱动因子，然后对实测数据进行归一化处理并分为训练集与测试集，将训练集作为基于主要驱动因子筛选的LSTM深度学习预测模型的多变量输入进行训练，采用测试集对预测模型进行进一步验证，经率定验证获得有效的深度学习预测模型后将样本数据输入进行预测，经过合理性检验后分用水部门获得需水量预测值。2.如权利要求1所述的基于主要驱动因子筛选和深度学习的动态需水预测方法，其特征在于，所述基于主要驱动因子筛选的LSTM深度学习预测模型的构建过程具体包括：(1)根据数据特点，设置基于主要驱动因子筛选的LSTM深度学习预测模型的参数，包括神经网络层数、每层神经元节点数及训练次数；(2)基于主要驱动因子筛选的LSTM深度学习预测模型输出拟合值，计算loss损失函数，调节神经元权重；(3)重复(2)至训练次数达到预期值；(4)判断模型是否收敛，若未收敛则重新选择深度学习模型参数直至模型收敛；(5)将已收敛的深度学习预测模型应用于测试...

【专利技术属性】
技术研发人员：周欣磊，刘晶，王贝，何锡君，许月萍，
申请(专利权)人：浙江大学，
类型：发明
国别省市：