本申请公开了一种排水管网流量预测方法、装置及存储介质，所述预测方法通过构建多站点排水管网的多维度观测数据集，并借助排水管网空间结构和流量相似性，构建多视图的排水管网图结构，设计基于多视图图深度神经网络的排水管网流量预测模型，并对模型进行训练与调优，以实现对未来时间管道内的水流量进行预测，从而用于辅助管道维护工作。而用于辅助管道维护工作。而用于辅助管道维护工作。
【技术实现步骤摘要】
一种排水管网流量预测方法、装置及存储介质
[0001]本申请涉及城市排水管网流量预测，尤其涉及一种排水管网流量预测方法、装置及存储介质。
技术介绍
[0002]城市排水管网是城市重要的基础设施。如果长时间存在异常流量，将会导致管道老化加快，甚至出现堵塞、地面溢水。这将会严重影响周围环境、居民的生产和生活。排水管网流量异常的原因可能是管道渗水导致的，长期渗水还可能导致路面坍塌，从而带来严重的安全隐患。因此，准确分析和预测排水管网流量对于未来管道故障预测和管道路线优化至关重要，对降低管道异常，保障城市基础设施安全有着重大意义。
[0003]随着移动互联网、传感器和物联网技术的发展，我们可以全天候自动检测排水管网的运行状态。基于长周期的监测数据，可以充分应用时间序列分析、数据挖掘、深度学习技术来进行管网流量预测和异常发现，从而能够更为高效的帮助管控工作进行异常预警和决策。在排水管网流量预测方法中目前的弊端：第一，传统统计学方法预测精度较低且很容易受到异常值的影响导致系统鲁棒性不足；第二，基于历史流量观察的方法忽略了管道之间的相互联系；第三，仅仅使用历史观测流量值单一维度的信息进行预测，忽略了流速、水位、时间、天气等其他维度的外部特征。
技术实现思路
[0004]鉴于此，本申请通过构建多站点排水管网的多维度观测数据集，并借助排水管网空间结构和流量相似性，构建多视图的排水管网图结构，设计基于多视图图深度神经网络的排水管网流量预测模型，并对模型进行训练与调优，以实现对未来时间管道内的水流量进行预测，从而用于辅助管道维护工作；具体采用的技术方案如下：
[0005]一种排水管网流量预测方法，包括如下步骤：
[0006]S1、数据预处理：获取管网各观测站点的历史时序数据集，将记录的时间点进行对齐统一，并对数据进行归一化；所述历史时序数据集包括日期、天气、记录时间点，以及观测指标，所述观测指标包括流量、流速或水位中至少一种；
[0007]S2、多视图图结构构建：根据管网铺设的空间连接性构建管网空间拓扑图；根据管网各观测站点的历史检测数据的相似性构建相似性图；
[0008]S3、图深度学习流量预测模型构建：将多个站点的历史时序数据进行拼接构建历史流量特征矩阵；将所述特征矩阵分别输入所述管网空间拓扑图和所述相似性图，进行图卷积运算，将卷积后的时序特征输入循环神经网络，最后，使用注意力机制将时序特征进行融合输入决策网络进行流量预测；
[0009]S4、模型训练和优化。
[0010]所述管网空间拓扑图考虑的是空间相邻的管道之间的相互影响，相似性图考虑的是相似的管道水流变化模式是相似的，通过图卷积运算可以实现信息的相互补充，提高模
型鲁棒性。
[0011]相比不考虑多图结构的基准模型(如LSTM模型)相比，本申请提供的基于管网空间拓扑图、相似性图、以及注意力机制构建的模型，相同数据集测试结果预测平均绝对误差较低。
[0012]优选地，步骤S1还包括数据清洗和数据填充，在获取管网各观测站点的观测指标时，当遇到数据缺失或数据异常，需要对异常数据进行剔除，并进行相应的数据填充；数据填充根据管网监测数据的周期性特征，以周为时间周期进行。
[0013]进一步优选地，当上一周期该时间点的数据也出现异常，则使用该时间点的历史均值进行填充。
[0014]进一步优选地，数据异常的判断范围为：异常值的上边界为U+1.5*IQR，下边界为L
‑
1.5*IQR，其中，U和L分别表示上、下四分位数，IQR为上下分位数的差值，即IQR＝U
‑
L。
[0015]优选地，S1中数据归一化，可使用Z
‑
Score的方法进行归一化，其中，μ
i
为观测指标i的均值，σ
i
为观测指标i的方差。
[0016]优选地，步骤S2中，相似性图的构建，具体包括：记第n个站点的第i个指标的历史检测数据为将所述三个观测指标进行拼接，得到第n个站点的特征矩阵利用皮尔逊相关系数衡量不同站点之间的相似性，计算公式如下：
[0017][0018]选取每个站点的前5个相似性最强的站点相互连接，构建相似性图。
[0019]优选地，步骤S4中，模型训练优化器为Adagrad算法；或/和将步骤S1中获取的经过归一化处理的数据按比例分为训练集和测试集，训练集和测试集的比例为0.8:0.2，将训练集数据输入S3中的预测模型进行迭代训练，并用测试集数据验证每一次的训练模型，直至模型收敛。
[0020]优选地，所述观测指标包括流量和流速；或所述观测指标包括流量和水位；或所述观测指标包括流量、流速和水位。
[0021]优选地，步骤S4中，使用均方误差作为训练损失函数，损失函数为优选地，步骤S4中，使用均方误差作为训练损失函数，损失函数为其中y
i
为正式的水流量，f(x
i
)为预测到的水流量。
[0022]本申请还提供了一种排水管网流量预测装置，包括：至少一个存储器，以及至少一个处理器，所述至少一个存储器存储有一个或多个指令，当所述一个或多个所述指令被所述至少一个处理器执行时，使得所述排水管网流量预测装置实现本申请所述的排水管网流量预测方法。
[0023]本申请还提供了一种计算机可读存储介质，所述计算机可读存储介质中包括指令，当所述指令在计算机运行时，使得所述计算机执行本申请所述的排水管网流量预测方法。
[0024]本申请的有益效果：
[0025](1)相比不考虑多图结构的基准模型(如LSTM模型)相比，本申请提供的基于管网
空间拓扑图、相似性图、以及注意力机制构建的模型，相同数据集测试结果预测平均绝对误差较低；
[0026](2)本申请考虑了多维度观测指标之间关联性，融合了多个维度的数据协同预测，即预测流量时，同时考虑流速和水位特征；
[0027](3)除了构建管网空间拓扑图，本申请还构建了相似性图，并且考虑了多观测指标之间的关联性，提高了预测模型的精度和鲁棒性；
[0028](4)本申请通过构建多站点排水管网的多维度观测数据集，并借助排水管网空间结构和流量相似性，构建多视图的排水管网图结构，设计基于多视图图深度神经网络的排水管网流量预测模型，并对模型进行训练与调优，以实现对未来时间管道内的水流量进行预测，从而用于辅助管道维护工作。
附图说明
[0029]图1是本申请所述的排水管网流量预测方法的流程图；
[0030]图2是本申请的多视图图深度学习结构。
具体实施方式
[0031]下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施条例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
[0032]实施例1
...
【技术保护点】
【技术特征摘要】
1.一种排水管网流量预测方法，其特征在于：包括如下步骤：S1、数据预处理：获取管网各观测站点的历史时序数据集，将记录的时间点进行对齐统一，并对数据进行归一化；所述历史时序数据集包括日期、天气、记录时间点，以及观测指标，所述观测指标包括流量、流速或水位中至少一种；S2、多视图图结构构建：根据管网铺设的空间连接性构建管网空间拓扑图；根据管网各观测站点的历史检测数据的相似性构建相似性图；S3、图深度学习流量预测模型构建：将多个站点的历史时序数据进行拼接构建历史流量特征矩阵；将所述特征矩阵分别输入所述管网空间拓扑图和所述相似性图，进行图卷积运算，将卷积后的时序特征输入循环神经网络，最后，使用注意力机制将时序特征进行融合输入决策网络进行流量预测；S4、模型训练和优化。2.根据权利要求1所述的排水管网流量预测方法，其特征在于：步骤S1还包括数据清洗和数据填充，在获取管网各观测站点的观测指标时，当遇到数据缺失或数据异常，需要对异常数据进行剔除，并进行相应的数据填充；数据填充根据管网监测数据的周期性特征，以周为时间周期进行。3.根据权利要求2所述的排水管网流量预测方法，其特征在于：当上一周期该时间点的数据也出现异常，则使用该时间点的历史均值进行填充。4.根据权利要求1所述的排水管网流量预测方法，其特征在于：步骤S1，使用Z
‑
Score方法进行归一化，其中，μ
i
为观测指标i的均值，σ
i
为观测指标i的方差。5.根据权利要求1所述的排水管网流量预测方法，其特征在于：步骤S2中，所述相似性图的构建，具体包括：记第n个观...
【专利技术属性】
技术研发人员：陈德莉，朱世平，涂伟，赵天鸿，
申请(专利权)人：无锡航征科技有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。