【技术实现步骤摘要】
本专利技术属于计算机科学计算领域，尤其涉及一种需水量预测方法和系统。
技术介绍
1、在自来水厂的泵站自动化系统中，需水量是运行调度、行洪承载能力的重要指标。在大多数需水量预测模型中，都是对传感器得来的数据直接进行统计分析，但是对于其中所包含的周期以及节假日因素都没有进行充分的考虑，因此选用prophet模型。对于数据中的残差因素可能包含重要信息的问题，我们加入gru模型，使预测模型准确度更高。
技术实现思路
1、为解决上述技术问题，本专利技术提出一种需水量预测方法的技术方案，以解决上述技术问题。
2、本专利技术第一方面公开了一种需水量预测方法，所述方法包括：
3、步骤s1、将从传感器所得需水量数据进行缺失值插值处理，并按照相应时间格式组建时间序列数据；
4、步骤s2、将所述时间序列数据分解为趋势部分、季节部分和残差部分；
5、步骤s3、将分解后的时间序列数据转化为prophet模型所需数据形式，并添加节假日因素；将添加节假日因素后的时间序列数据划分为训练集和测试集；
6、步骤s4、应用所述训练集训练prophet模型，并输出预定义数量的初始需水量预测值；
7、步骤s5、应用所述初始需水量预测值与实际值得到残差数据集；应用所述残差数据集对gru模型进行训练，对残差数据进行预测；
8、步骤s6、应用训练后prophet模型的预测值与训练后的gru模型的残差预测值计算完整预测模型的最终需水量预测值；>
9、步骤s7、应用所述测试集，通过模型评价指标对所述完整预测模型进行模型性能评价。
10、根据本专利技术第一方面的方法，在所述步骤s3中，所述节假日因素包括：节假日、寒暑假、疫情期和机器检修期。
11、根据本专利技术第一方面的方法，在所述步骤s3中，所述添加节假日因素的方法包括：节假日用“1”表示；非节假日则用“0”来表示。
12、根据本专利技术第一方面的方法，在所述步骤s4中，所述prophet模型的形式为：
13、
14、其中，趋势项st表示时间序列中的的非周期性的变化趋势；周期项tt表示按照天/周/月/年变化趋势；节假期项ht表示节日因素对数据趋势的影响；rt表示剩余项；表示prophet模型预测值。
15、根据本专利技术第一方面的方法，在所述步骤s4中，节假期项ht的公式为：
16、
17、
18、其中，h(t)表示ht；i表示假期时间；ki表示节假日因素对最终的预测效果的改变程度，默认是为10，值越大则对模型结果影响越大，反之亦然；di表示在t时间内是否包含节假日的判断函数，最终取值为0或1。
19、根据本专利技术第一方面的方法，在所述步骤s4中，所述预定义数量的初始需水量预测值为未来一个月的包含线性规律的需水量预测值。
20、根据本专利技术第一方面的方法，在所述步骤s6中，所述应用训练后prophet模型的预测值与训练后的gru模型的残差预测值计算完整预测模型的最终需水量预测值的方法包括：
21、应用训练后prophet模型的预测值与训练后的gru模型的残差预测值相加，得到完整预测模型的最终需水量预测值。
22、本专利技术第二方面公开了一种需水量预测系统，所述系统包括：
23、第一处理模块，被配置为，将从传感器所得需水量数据进行缺失值插值处理，并按照相应时间格式组建时间序列数据；
24、第二处理模块，被配置为，将所述时间序列数据分解为趋势部分、季节部分和残差部分；
25、第三处理模块，被配置为，将分解后的时间序列数据转化为prophet模型所需数据形式，并添加节假日因素；将添加节假日因素后的时间序列数据划分为训练集和测试集；
26、第四处理模块，被配置为，应用所述训练集训练prophet模型，并输出预定义数量的初始需水量预测值；
27、第五处理模块，被配置为，应用所述初始需水量预测值与实际值得到残差数据集；应用所述残差数据集对gru模型进行训练，对残差数据进行预测；
28、第六处理模块，被配置为，应用训练后prophet模型的预测值与训练后的gru模型的残差预测值计算完整预测模型的最终需水量预测值；
29、第七处理模块，被配置为，应用所述测试集，通过模型评价指标对所述完整预测模型进行模型性能评价。
30、根据本专利技术第二面的系统，所述第三处理模块，被配置为，所述节假日因素包括：节假日、寒暑假、疫情期和机器检修期。
31、根据本专利技术第二面的系统，所述第三处理模块，被配置为，所述添加节假日因素包括：节假日用“1”表示；非节假日则用“0”来表示。
32、根据本专利技术第二面的系统，所述第四处理模块，被配置为，所述prophet模型的形式为：
33、
34、其中，趋势项st表示时间序列中的的非周期性的变化趋势；周期项tt表示按照天/周/月/年变化趋势；节假期项ht表示节日因素对数据趋势的影响；rt表示剩余项；表示prophet模型预测值。
35、根据本专利技术第二面的系统，所述第四处理模块，被配置为，节假期项ht的公式为：
36、
37、
38、其中，h(t)表示ht；i表示假期时间；ki表示节假日因素对最终的预测效果的改变程度，默认是为10，值越大则对模型结果影响越大，反之亦然；di表示在t时间内是否包含节假日的判断函数，最终取值为0或1。
39、根据本专利技术第二面的系统，所述第四处理模块，被配置为，所述预定义数量的初始需水量预测值为未来一个月的包含线性规律的需水量预测值。
40、根据本专利技术第二面的系统，所述第六处理模块，被配置为，所述应用训练后prophet模型的预测值与训练后的gru模型的残差预测值计算完整预测模型的最终需水量预测值包括：
41、应用训练后prophet模型的预测值与训练后的gru模型的残差预测值相加，得到完整预测模型的最终需水量预测值。
42、本专利技术第三方面公开了一种电子设备。电子设备包括存储器和处理器，存储器存储有计算机程序，处理器执行计算机程序时，实现本公开第一方面中任一项的一种需水量预测方法中的步骤。
43、本专利技术第四方面公开了一种计算机可读存储介质。计算机可读存储介质上存储有计算机程序，计算机程序被处理器执行时，实现本公开第一方面中任一项的一种需水量预测方法中的步骤。
44、综上，本专利技术提出的方案，在对监测数据进行分析处理的过程中，通过线性插值法和序列分解法对历史数据进行合理的预处理来解决需水量预测问题；通过将对于节假日效应和周期趋势具有出色适应性的prophet时间序列模型和对于非线性特征具有强烈敏感性的gru神经网络模型相结合，以实现对需水量的精准预测。
本文档来自技高网...【技术保护点】
1.一种需水量预测方法，其特征在于，所述方法包括：
2.根据权利要求1所述的一种需水量预测方法，其特征在于，在所述步骤S3中，所述节假日因素包括：节假日、寒暑假、疫情期和机器检修期。
3.根据权利要求2所述的一种需水量预测方法，其特征在于，在所述步骤S3中，所述添加节假日因素的方法包括：节假日用“1”表示；非节假日则用“0”来表示。
4.根据权利要求1所述的一种需水量预测方法，其特征在于，在所述步骤S4中，所述Prophet模型的形式为：
5.根据权利要求4所述的一种需水量预测方法，其特征在于，在所述步骤S4中，节假期项Ht的公式为：
6.根据权利要求1所述的一种需水量预测方法，其特征在于，在所述步骤S4中，所述预定义数量的初始需水量预测值为未来一个月的包含线性规律的需水量预测值。
7.根据权利要求1所述的一种需水量预测方法，其特征在于，在所述步骤S6中，所述应用训练后Prophet模型的预测值与训练后的GRU模型的残差预测值计算完整预测模型的最终需水量预测值的方法包括：
8.一种用于需水量预测系
9.一种电子设备，其特征在于，所述电子设备包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时，实现权利要求1至7中任一项所述的一种需水量预测方法中的步骤。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时，实现权利要求1至7中任一项所述的一种需水量预测方法中的步骤。
...【技术特征摘要】
1.一种需水量预测方法，其特征在于，所述方法包括：
2.根据权利要求1所述的一种需水量预测方法，其特征在于，在所述步骤s3中，所述节假日因素包括：节假日、寒暑假、疫情期和机器检修期。
3.根据权利要求2所述的一种需水量预测方法，其特征在于，在所述步骤s3中，所述添加节假日因素的方法包括：节假日用“1”表示；非节假日则用“0”来表示。
4.根据权利要求1所述的一种需水量预测方法，其特征在于，在所述步骤s4中，所述prophet模型的形式为：
5.根据权利要求4所述的一种需水量预测方法，其特征在于，在所述步骤s4中，节假期项ht的公式为：
6.根据权利要求1所述的一种需水量预测方法，其特征在于，在所述步骤s4中，所述预定义数量的初始需水量预...
【专利技术属性】
技术研发人员：闫健卓，郭甜甜，赵拓，孙文学，史晓宇，田葛，梁磊，
申请(专利权)人：北京工业大学，
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。