[發明專利]一種居民社區時用水量預測方法

有效

• 申請號: 201811046104.0
• 申請日: 2018-09-07
• 公開（公告）號: CN109146196B
• 公開（公告）日: 2021-07-23
• 發明（設計）人: 劉心;劉龍龍;李文竹
• 申請（專利權）人: 河北工程大學
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06Q50/06;G06N3/00
• 代理公司: 暫無信息
• 代理人: 暫無信息

1.一種基于改進的蜻蜓—高斯過程回歸耦合(Dragonfly Algorithm-GaussianProcesses Regression,DA-GPR)的居民社區時用水量動態實時區間預測方法，包括如下步驟：

(1)讀取樣本數據，產生訓練集和測試集；

(2)初始參數設置，設置蜻蜓種群規模、最大迭代次數和參數l，σ_f，σ_n的取值范圍；

(3)初始化蜻蜓；

(4)將蜻蜓個體位置H的信息依次賦值給參數l，σ_f，σ_n，其中l為方差尺度，是信號方差，σ_n²為噪聲方差；

(5)創建高斯過程回歸(Gaussian Processes Regression,GPR)模型，對訓練樣本進行訓練，計算所有蜻蜓個體的目標函數值，并將其作為蜻蜓算法的適應度函數值，計算并保存最優適應度值及其所對應的參數值，種群中的所有蜻蜓個體全部完成分離、對齊、內聚、食物吸引和天敵排斥五種行為操作后，迭代次數加1；

(6)判斷是否滿足終止條件，如果滿足條件，輸出最優超參數并創建最優的GPR模型；如果不滿足條件，則依次更新鄰域半徑、更新個體位置，然后返回步驟(4)繼續迭代；

(7)將測試集數據輸入創建的最優GPR模型，輸出預測值的均值和方差；

(8)根據給定置信度，得到時用水量實時區間預測結果。

2.根據權利要求1所述的方法，所述初始化蜻蜓包括隨機初始化蜻蜓的位置H、步長△H、鄰域半徑R，慣性權重ω，分離權重s，對齊權重a，內聚權重c，食物吸引權重f，天敵排斥權重e。

3.根據權利要求2所述的方法，所述將蜻蜓個體位置H的信息依次賦值給參數l，σ_f，σ_n是指位置H矩陣的第一行存放參數l的值，第二行存放參數σ_f的值，第三行存放參數σ_n的值，每個蜻蜓個體對應一組參數值。

4.根據權利要求3所述的方法，所述步驟(5)進一步包括：創建GPR模型，對訓練樣本進行訓練，計算所有蜻蜓個體的目標函數值，并將其作為蜻蜓算法的適應度函數值，找出當前的最優個體和最差個體，并將最優個體視為食物，將最差個體視為天敵；蜻蜓每進行一次行為操作，便計算一次當前蜻蜓的最大適應度值：若當前蜻蜓的適應度值大于已保存的最優適應度值，則用當前的蜻蜓的適應度值替代原保存的最優適應度值，作為當前蜻蜓的最優值，并保存當前最優值所對應的蜻蜓的超參數為最優超參數值，否則仍保存原最優適應度值及其所對應的參數值。

5.根據權利要求4所述的方法，所述終止條件為達到最大迭代次數。

6.根據權利要求1或4所述的方法，所述目標函數值為

F(x)＝3*MAPE+2*MAE+MSE

其中，MAPE為平均相對誤差，MAE為平均絕對誤差，MSE為均方誤差。

7.根據權利要求6所述的方法，所述超參數為整個高斯過程回歸參數集合其中M＝diag(l²)。

8.根據權利要求7所述的方法，所述更新鄰域半徑為鄰域半徑隨迭代次數的增加而成比例地增長；慣性權重ω、分離權重s、對齊權重a、內聚權重c、食物吸引權重f、天敵排斥權重e均為自適應線性遞減權重，其最小值為0.4，最大值為0.9；種群規模為10，最大迭代次數均設為20，參數l的取值范圍為[-1，1]，參數σ_f的取值范圍為[-1，1]，參數σ_n的取值范圍為[-1，1]。

9.根據權利要求8所述的方法，所述區間預測結果表示為：[m(f_*)-δcov(f_*)，m(f_*)+δcov(f_*)]

其中，f_*為預測值，δ為給定置信水平下預測樣本服從后驗概率分布的分位數；m(f_*)為均值函數，cov(f_*)為預測值的方差，

其中，K(X,X)＝K_n＝(k_ij)為n×n階對稱正定協方差矩陣；矩陣元素k_ij＝k(x_i,x_j)用來度量x_i和x_j的相關性，x_*為測試點，為測試點x_*與訓練集X之間的協方差陣，k(x_*,x_*)為測試點x_*自身的協方差，I_n是n維單位矩陣。