基于用户模式与深度学习联合模型的用水量预测方法及系统技术方案

本发明专利技术公开了一种基于用户模式与深度学习联合模型的用水量预测方法及系统，通过利用时间序列分解方法将用水量时间序列分解，提取其趋势项、噪声项及周期项；利用聚类、统计规律方法对用户进行分类并获得相应的用水模式，并将对应时段的用水模式与提取的周期项进行融合，成为修正后的用水模式项；最终将提取的趋势项、噪声项及修正后的用水模式项作为特征输入长短期记忆人工神经网络深度学习方法进行预测。本发明专利技术使得在处理季节性分量时更加灵活，对异常值鲁棒性更高；通过普适性序列与个体序列的信息融合，充分挖掘数据信息，修正个体差异；通过分解加预测的组合模型，充分提取模型中的周期性等先验知识，能够更准确的掌握数据变化趋势，提高预测精度。提高预测精度。提高预测精度。

【技术实现步骤摘要】
基于用户模式与深度学习联合模型的用水量预测方法及系统


[0001]本专利技术涉及城市供水管网
，尤其公开了一种基于用户模式与深度学习联合模型的用水量预测方法及系统。

技术介绍

[0002]随着社会的发展及人们生活水平的提高，用水量日益增长，水资源短缺问题日益突出。科学、准确的预测用水量，对于开展合理的供水规划具有重要的意义。
[0003]用水量数据本质上是一个时间序列，因此对用水量的预测方法通常采样时间序列分析预测方法，即挖掘历史时间序列数据特点，推断未来发展趋势。从实现预测的方法角度而言，目前主要分为基于统计的预测方法：如基础的简单平均法、移动平均法等，到目前常用的AR(Auto
‑
regressive，自回归)、MA(MovingAverage，模型移动平均)、ARMA(Auto
‑
regressive Moving Average，模型自回归移动平均)、ARIMA(Auto
‑
regressive Integrated Moving Average Model，自回归移动平均模型)，包括Facebook推出的Prophet等；另一类为机器学习算法：利用随机森林、支持向量机等的回归模型进行预测，或基于神经网络和深度学习，如BP(back propagation，反向传播算法)神经网络、卷积神经网络、长短期神经网络等。
[0004]目前研究者们常借鉴时间序列方面的研究方法用于用水量预测。张君雅、Yasar、Mombeni等主要运用基于统计的时间序列预测方法如回归分析、ARIMA、SARIMA(Seasonal Autoregressive Integrated Moving Average，季节性差分自回归滑动平均模型)等，专利CN113947240A中，运用了基于最小二乘的预测方法。专利CN109146196A中，运用了蜻蜓
‑
高斯过程耦合算法。李彦彬《基于改进GM
‑
LSSVR模型的郑州市用水量预测》、王梓涵《基于TCK
‑
LSTM
‑
ATT模型的城市用水量预测》、朱兴统《基于改进粒子群优化BP网络的城市用水量预测》、郭强《基于贝叶斯BP神经网络的区间需水预测方法》、专利CN112488392A、以及专利CN114757330A等中公开了基于机器学习、深度学习方面的方法，例如LSTM(Long Short
‑
Term Memory，长短期记忆网络)、BP(back propagation，反向传播)神经网络、TCN(Temporal Convolutional Network，时域卷积网络)等，对预测模型进行改进，侧重于参数优化和计算速度提升等方面。在专利CN112036668A中，考虑了周期性分解的方法加入对周期性数据的考量。
[0005]然而，现有的技术方法中，较多关注于某一种预测模型方法上的性能优化，解决如算法收敛速度、预测的实时调度问题等，而往往忽略用户类别这一先验知识，未充分挖掘不同用户的用水特点，从而影响预测模型的性能。与此同时，不少预测方法将温度、湿度、风向、降水量等数据作为特征输入模型，增加了模型复杂度；某天的温度、湿度、风向等存在变化且只能在当天获取或预测，影响了预测效率。
[0006]因此，针对现有用水量预测方法中，对用水量数据的用户用水模式考虑相对较少，是目前亟待解决的技术问题。

技术实现思路

[0007]本专利技术提供了一种基于用户模式与深度学习联合模型的用水量预测方法及系统，旨在解决现有用水量预测方法中，对用水量数据的用户用水模式考虑相对较少的技术问题。
[0008]本专利技术的一方面涉及一种基于用户模式与深度学习联合模型的用水量预测方法，包括以下步骤：
[0009]利用时间序列分解方法将用水量时间序列分解，提取其趋势项、噪声项及周期项；
[0010]利用聚类、统计规律方法对用户进行分类并获得相应的用水模式，并将对应时段的用水模式与提取的周期项进行融合，成为修正后的用水模式项；最终将提取的趋势项、噪声项及修正后的用水模式项作为特征输入长短期记忆人工神经网络深度学习方法进行预测。
[0011]进一步地，利用时间序列分解方法将用水量时间序列分解，提取其趋势项、噪声项及周期项的步骤包括：
[0012]利用基于统计规律等方法对原始用水量时间序列训练数据进行预处理，将异常数据修正；
[0013]进一步地，对于已经处理好的用水量时间序列x
t
，利用时序分解算法进行分解，将已经处理好的用水量时间序列分解为趋势项、周期项和噪声项。
[0014]对于已经处理好的用水量时间序列，分解的三个部分为：
[0015]x
t
＝T
t
+S
t
+N
t
[0016]其中，x
t
为已经处理好的用水量时间序列，T
t
为用水量序列的趋势部分，表示用水量的朝着某一方向变化的趋势；S
t
为周期性部分，主要表示用水量的周期性特征；N
t
为噪声项，为用水量时间序列的随机部分。
[0017]进一步地，利用聚类、统计规律方法对用户进行分类并获得相应的用水模式，并将对应时段的用水模式与提取的周期项进行融合，成为修正后的用水模式项，最终将提取的趋势项、噪声项及修正后的用水模式项作为特征输入长短期记忆人工神经网络深度学习方法进行预测的步骤包括：
[0018]提取用户用水模式并融合周期性序列；
[0019]运用长短期记忆人工神经网络，对基于时序分解算法分解后的时间序列进行预测。
[0020]进一步地，长短期记忆人工神经网络的选择性记忆功能通过遗忘门、输入门和输出门三个门结构实现，
[0021]遗忘门的门结构为：
[0022]f
t
＝σ(W
f
·
[h
t
‑1，x
’
t
]+b
f
)
[0023]其中，f
t
为遗忘门计算结果，σ为sigmoid函数，h
t
‑1为上一个LSTM单元输出的用水量值，x
’
t
为当前时刻用水信息输入向量，W
f
为遗忘门的权重矩阵，b
f
为遗忘门的偏置项；
[0024]输入门的门结构为：
[0025]i
t
＝σ(W
i
·
[h
t
‑1，x
’
t
]+b
i
)
[0026][0027]其中，i
t
为更新信息，为更新的细胞状态计算结果；W
i
、W
c
分别为输入门的相应权
矩阵；b
i
、b...

【技术保护点】

【技术特征摘要】
1.一种基于用户模式与深度学习联合模型的用水量预测方法，其特征在于，包括以下步骤：利用时间序列分解方法将用水量时间序列分解，提取其趋势项、噪声项及周期项；利用聚类、统计规律方法对用户进行分类并获得相应的用水模式，并将对应时段的用水模式与提取的所述周期项进行融合，成为修正后的用水模式项；最终将提取的所述趋势项、噪声项及修正后的用水模式项作为特征输入长短期记忆人工神经网络深度学习方法进行预测。2.如权利要求1所述的基于用户模式与深度学习联合模型的用水量预测方法，其特征在于，所述利用时间序列分解方法将用水量时间序列分解，提取其趋势项、噪声项及周期项的步骤包括：利用基于统计规律等方法对原始用水量时间序列训练数据进行预处理，将异常数据修正；对于已经处理好的用水量时间序列，利用时序分解算法进行分解，将已经处理好的用水量时间序列分解为趋势项、周期项和噪声项。3.如权利要求2所述的基于用户模式与深度学习联合模型的用水量预测方法，其特征在于，对于已经处理好的用水量时间序列，分解的三个部分为：x
t
＝
t
+
t
+
t
其中，x
t
为经预处理后的用水量时间序列，T
t
为用水量序列的趋势部分，表示用水量的朝着某一方向变化的趋势；S
t
为周期性部分，主要表示用水量的周期性特征；N
t
为噪声项，为用水量时间序列的随机部分。4.如权利要求3所述的基于用户模式与深度学习联合模型的用水量预测方法，其特征在于，所述利用聚类、统计规律方法对用户进行分类并获得相应的用水模式，并将对应时段的用水模式与提取的所述周期项进行融合，成为修正后的用水模式项，最终将提取的所述趋势项、噪声项及修正后的用水模式项作为特征输入长短期记忆人工神经网络深度学习方法进行预测的步骤包括：提取用户用水模式并融合周期性序列；运用长短期记忆人工神经网络，对基于时序分解算法分解后的时间序列进行预测。5.如权利要求4所述的基于用户模式与深度学习联合模型的用水量预测方法，其特征在于，所述长短期记忆人工神经网络的选择性记忆功能通过遗忘门、输入门和输出门三个门结构实现，所述遗忘门的门结构为：f
t
＝σ(W
f
·
[h
t
‑1,x
’
t
]+b
f
)其中，f
t
为遗忘门计算结果，σ为sigmoid函数，h
t
‑1为上一个LSTM单元输出的用水量值，x
’
t
为当前时刻用水信息输入向量，W
f
为遗忘门的权重矩阵，b
f
为遗忘门的偏置项；所述输入门的门结构为：i
t
＝σ(W
i
·
[h
t
‑1,x
’
t
]+b
i
)其中，i
t
为更新信息，为更新的细胞状态计算结果；W
i
、W
c
分别为输入门的相应权矩
阵；b
i
、b
c
分别为输入门的相应偏置项；细胞状态的更新公式为：所述输出门的门结构为：o
t
＝σ(W
o
·
[h
t
‑1,x
’
t
]+b
o
)h
t
＝o
t
*tanh(C
t
)其中，o
t
表示细胞状态的输出部分，σ为sigmoid函数，h
t
‑1为上一个长短期记忆人工神经网络单元输出的用水量值，W
o
为输出门的相应权矩阵，b
o
为输出门的偏置项；h
t

【专利技术属性】
技术研发人员：许乐，郑恒，黄庆，胡维，
申请(专利权)人：中南水务科技有限公司，
类型：发明
国别省市：