一种基于数据驱动的城镇日用水量预测方法技术

本发明专利技术涉及智慧水务技术领域，揭露了一种基于数据驱动的城镇日用水量预测方法，包括：获取日用水量数据集，获取用水量影响因素对应的影响因素数值，根据日用水量数据集及影响因素数值，计算相关系数，根据用水量影响因素的类别数及相关系数，构建原始用水量预测神经网络，利用所述原始用水量预测神经网络预测日用水量预测值，计算预测差值，调整原始用水量预测神经网络，得到目标用水量预测神经网络，获取当日影响因素数值，预测当日的日用水量。本发明专利技术还提出一种基于数据驱动的城镇日用水量预测装置、电子设备以及计算机可读存储介质。本发明专利技术可以解决居民日用水量的预测结果与实际日用水量之间偏差较大的问题。际日用水量之间偏差较大的问题。际日用水量之间偏差较大的问题。

【技术实现步骤摘要】
一种基于数据驱动的城镇日用水量预测方法


[0001]本专利技术涉及智慧水务
，尤其涉及一种基于数据驱动的城镇日用水量预测方法、装置、电子设备及计算机可读存储介质。

技术介绍

[0002]随着国家智慧城市(区、镇)的发展，智慧水务建设开始成为智慧城市建设的主要项目。而精确预测城镇居民每日用水量，是智慧水务建设的主要任务之一。
[0003]当前，对城镇居民日用水量的预测主要根据历年的日用水量进行粗略估计，或者利用基于大数据的学习算法，根据历年的日用水量进行预测，这种方式并未考虑周全影响居民用水量的各类环境因素，例如：温度、天气、前一日用水量等。因此，这种预测方式，造成对居民日用水量的预测结果与实际日用水量之间偏差较大的现象。

技术实现思路

[0004]本专利技术提供一种基于数据驱动的城镇日用水量预测方法、装置及计算机可读存储介质，其主要目的在于解决居民日用水量的预测结果与实际日用水量之间偏差较大的问题。
[0005]为实现上述目的，本专利技术提供的一种基于数据驱动的城镇日用水量预测方法，包括：
[0006]接收年历史用水量数据集，在所述年历史用水量数据集中提取预设目标时段对应的日用水量数据集；
[0007]获取所述目标时段中，每日预设的各类用水量影响因素对应的影响因素数值；
[0008]根据所述日用水量数据集，及各类用水量影响因素对应的影响因素数值，计算日用水量与各类用水量影响因素之间的相关系数；
[0009]根据所述用水量影响因素的类别数，及日用水量与各类用水量影响因素之间的相关系数，构建原始用水量预测神经网络；
[0010]根据所述目标时段中，每日的各类用水量影响因素对应的影响因素数值，利用所述原始用水量预测神经网络，预测所述目标时段中每日的用水量，得到日用水量预测值；
[0011]计算所述日用水量数据集中每日的用水量，与所述日用水量预测值之间的预测差值，利用预测差值，对所述原始用水量预测神经网络中的原始参数进行迭代调整，得到目标用水量预测神经网络；
[0012]获取当日的各类用水量影响因素对应的影响因素数值，利用所述目标用水量预测神经网络，根据所述影响因素数值，预测当日的日用水量。
[0013]可选地，所述在所述年历史用水量数据集中提取预设目标时段对应的日用水量数据集，包括：
[0014]选取属于不同季度的月份，得到多个目标月份；
[0015]将多个所述目标月份，及所述年历史用水量数据集对应的年份，作为所述目标时
段；
[0016]在所述年历史用水量数据集中，提取所述目标时段中，每日对应的日用水量，得到所述目标时段对应的日用水量数据集。
[0017]可选地，所述接收年历史用水量数据集之前，所述方法还包括：
[0018]获取所述年历史用水量数据集，对应年份的每个月用水量数据集；
[0019]识别所述对应年份的每个月用水量数据集中，最高月用水量及最低月用水量；
[0020]将所述最高月用水量及最低月用水量，在所述对应年份的每个月用水量数据集中剔除，得到所述年历史用水量数据集。
[0021]可选地，所述获取所述目标时段中，每日预设的各类用水量影响因素对应的影响因素数值，包括：
[0022]根据天气状况的类别，设置每一种天气状况对应的天气分值；
[0023]根据居民用水习惯，确定所述用水量影响因素为，天气分值、日最高温、日最低温及前一日用水量；
[0024]获取所述目标时段中，每日的天气分值、最高温、最低温及前一日用水量，得到所述用水量影响因素对应的影响因素数值。
[0025]可选地，所述根据所述日用水量数据集，及各类用水量影响因素对应的影响因素数值，计算日用水量与各类用水量影响因素之间的相关系数，包括：
[0026]计算所述目标时段中，每日的平均日用水量、平均天气分值、平均最高气温、平均最低气温及前一日平均用水量；
[0027]提取所述日用水量数据集中的每日用水量；
[0028]根据所述目标时段中，每日的天气分值、平均天气分值、日用水量及平均日用水量，利用预构建的相关系数计算公式，计算所述天气分值与日用水量的相关系数；
[0029]根据所述目标时段中，每日的最高温、平均最高温、日用水量及平均日用水量，利用预构建的相关系数计算公式，计算所述最高温与日用水量的相关系数；
[0030]根据所述目标时段中，每日的的最低温、平均最低温、日用水量及平均日用水量，利用预构建的相关系数计算公式，计算所述最低温与日用水量的相关系数；
[0031]根据所述目标时段中，每日的前一日用水量、前一日平均用水量、日用水量及平均日用水量，利用预构建的相关系数计算公式，计算所述前一日用水量与日用水量的相关系数。
[0032]可选地，所述根据所述用水量影响因素的类别数，及日用水量与各类用水量影响因素之间的相关系数，构建原始用水量预测神经网络，包括：
[0033]根据所述用水量影响因素的类别数，设置每一类别的用水量影响因素，在所述原始用水量预测神经网络中对应的输入层节点；
[0034]根据每一类所述用水量影响因素与日用水量的相关系数，设置每一个所述输入层节点对应的权重；
[0035]根据每一类用水量影响因素对应的输入层节点，及所述输入层节点对应的权重，对预构建的神经网络进行初始化，得到所述原始用水量预测神经网络。
[0036]可选地，所述根据所述目标时段中，每日的各类用水量影响因素对应的影响因素数值，利用所述原始用水量预测神经网络，预测所述目标时段中每日的用水量，得到日用水
量预测值，包括：
[0037]将所述各类用水量影响因素对应的影响因素数值进行归一化，得到标准因素数值；
[0038]将所述标准因素数值，对应的输入所述原始用水量预测神经网络的输入层节点，利用所述输入层节点中的原始输入权重对所述标准因素数值，进行加权求和，得到原始输入求和值；
[0039]利用预构建的激活函数激活所述原始输入求和值，得到原始隐藏数值；
[0040]利用所述原始用水量预测神经网络中隐藏层节点的原始隐藏权重，对所述原始隐藏数值进行加权求和，得到原始隐藏求和值；
[0041]利用所述激活函数激活所述原始隐藏求和值，得到所述日用水量预测值。
[0042]可选地，所述计算所述日用水量数据集中每日的用水量，与所述日用水量预测值之间的预测差值，包括：
[0043]构建差值计算公式；
[0044]根据所述日用水量数据集中每日的用水量，与所述日用水量预测值，利用所述差值计算公式，计算所述预测差值。
[0045]可选地，所述利用预测差值，对所述原始用水量预测神经网络中的原始参数进行迭代调整，得到目标用水量预测神经网络，包括：
[0046]设置用水量的预测差异阈值；
[0047]判断所述预测差值是否大于所述预测差异阈值；
[0048]若所述预测差本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于数据驱动的城镇日用水量预测方法，其特征在于，所述方法包括：接收年历史用水量数据集，在所述年历史用水量数据集中提取预设目标时段对应的日用水量数据集；获取所述目标时段中，每日预设的各类用水量影响因素对应的影响因素数值；根据所述日用水量数据集，及各类用水量影响因素对应的影响因素数值，计算日用水量与各类用水量影响因素之间的相关系数；根据所述用水量影响因素的类别数，及日用水量与各类用水量影响因素之间的相关系数，构建原始用水量预测神经网络；根据所述目标时段中，每日的各类用水量影响因素对应的影响因素数值，利用所述原始用水量预测神经网络，预测所述目标时段中每日的用水量，得到日用水量预测值；计算所述日用水量数据集中每日的用水量，与所述日用水量预测值之间的预测差值，利用预测差值，对所述原始用水量预测神经网络中的原始参数进行迭代调整，得到目标用水量预测神经网络；获取当日的各类用水量影响因素对应的影响因素数值，利用所述目标用水量预测神经网络，根据所述影响因素数值，预测当日的日用水量。2.如权利要求1所述的基于数据驱动的城镇日用水量预测方法，其特征在于，所述在所述年历史用水量数据集中提取预设目标时段对应的日用水量数据集，包括：选取属于不同季度的月份，得到多个目标月份；将多个所述目标月份，及所述年历史用水量数据集对应的年份，作为所述目标时段；在所述年历史用水量数据集中，提取所述目标时段中，每日对应的日用水量，得到所述目标时段对应的日用水量数据集。3.如权利要求2所述的基于数据驱动的城镇日用水量预测方法，其特征在于，所述接收年历史用水量数据集之前，所述方法还包括：获取所述年历史用水量数据集，对应年份的每个月用水量数据集；识别所述对应年份的每个月用水量数据集中，最高月用水量及最低月用水量；将所述最高月用水量及最低月用水量，在所述对应年份的每个月用水量数据集中剔除，得到所述年历史用水量数据集。4.如权利要求2所述的基于数据驱动的城镇日用水量预测方法，其特征在于，所述获取所述目标时段中，每日预设的各类用水量影响因素对应的影响因素数值，包括：根据天气状况的类别，设置每一种天气状况对应的天气分值；根据居民用水习惯，确定所述用水量影响因素为，天气分值、日最高温、日最低温及前一日用水量；获取所述目标时段中，每日的天气分值、最高温、最低温及前一日用水量，得到所述用水量影响因素对应的影响因素数值。5.如权利要求4所述的基于数据驱动的城镇日用水量预测方法，其特征在于，所述根据所述日用水量数据集，及各类用水量影响因素对应的影响因素数值，计算日用水量与各类用水量影响因素之间的相关系数，包括：计算所述目标时段中，每日的平均日用水量、平均天气分值、平均最高气温、平均最低气温及前一日平均用水量；
提取所述日用水量数据集中的每日用水量；根据所述目标时段中，每日的天气分值、平均天气分值、日用水量及平均日用水量，利用预构建的相关系数计算公式，计算所述天气分值与日用水量的相关系数；根据所述目标时段中，每日的最高温、平均最高温、日用水量及平均日用水量，利用预构建的相关系数计算公式，计算所述最高温与日用水量的相关系数；根据所述目标时段中，每日的的最低温、平均最低温、日用水量及平均日用水量，利用预构建的相关系数计算公式，计算所述最低温与日用水量的相关系数；根据所述目标时段中，每日的前一日用水量、前一日平均用水量、日用水量及平均日用水量，利用预构建的相关系数计算公式，计算所述前一日用水量与日用水量的相关系数。6.如权利要求5所述的基于数据驱动的城镇日用水量预测方法，其特征在于，所述根据所述用水量影响因素的类别数，及日用水量与各类用水量影响因素之间的相关系数，构建原始用水量预测神经网络，包括：根据所述用水量影响因素的类别数，设置每一类别的用水量影响因素...

【专利技术属性】
技术研发人员：李佳，贾小娥，
申请(专利权)人：遥相科技发展北京有限公司，
类型：发明
国别省市：