[發明專利]一種基于機器學習的智慧水務日用水量預測方法

有效

• 申請號: 202011381196.5
• 申請日: 2020-12-01
• 公開（公告）號: CN112488392B
• 公開（公告）日: 2022-10-21
• 發明（設計）人: 雷建軍;盧振輝;李佳朋
• 申請（專利權）人: 重慶郵電大學
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06Q50/06;G06N3/04;G06N3/08
• 代理公司: 重慶輝騰律師事務所 50215
• 代理人: 王海軍

1.一種基于機器學習的智慧水務日用水量預測方法，其特征在于，包括以下步驟：

S1、獲取日期、氣候數據和歷史用水量數據，對數據進行預處理，得到預處理后的日期、氣候數據和歷史用水量數據；

S2、將預處理后的歷史用水量數據輸入時間卷積神經網絡TCN預測模型提取城市日用水時間序列中的混沌信息和隱藏特征，并根據混沌信息和隱藏特征進行預測，得到TCN預測結果，即基于歷史用水量數據的下一天用水量預測結果；

S3、通過日期和氣候數據對TCN預測結果進行矯正：將TCN預測結果與日期、氣候數據一同作為特征輸入機器學習模型中進行再次訓練，得到矯正后的下一天用水量預測結果；

其中，機器學習模型包括初級學習器、次級學習器以及融合層；

初級學習器：以3個基模型RandomForest、Xgboost、Lasso作為初級學習器，每個基模型RandomForest、Xgboost、Lasso之后連接平均模型AverageModel；

次級學習器：采用LinearRegression模型對三個初級學習器的最終預測值和元模型的擬合結果進行融合處理，得到StackModel融合模型結果；

融合層：將初級學習器RandomForest、初級學習器Xgboost、平均模型AverageModel的輸出以及StackModel融合模型結果進行融合，得到融合結果。

2.根據權利要求1所述的一種基于機器學習的智慧水務日用水量預測方法，其特征在于，所述預處理包括：異常值處理：重新賦值/均值填充；

缺失值處理：均值插入/線性插值處理；

非數值數據處理：one-hot離散處理；

數值數據處理：歸一化處理，歸一化表達式如下：

其中，x′表示歸一化之后的數據，σ表示數值型數據的標準差，表示數值型數據的平均值。

3.根據權利要求1所述的一種基于機器學習的智慧水務日用水量預測方法，其特征在于，TCN預測模型采用時間卷積神經網絡，TCN預測模型的結構包括輸入層、4個隱藏層、輸出層，各個隱藏層之間采用殘差連接，每一個隱藏層中包含兩個一維擴張因果卷積和一個1*1卷積。

4.根據權利要求3所述的一種基于機器學習的智慧水務日用水量預測方法，其特征在于，TCN預測模型的具體結構包括：使用一維因果卷積和擴張卷積作為標準卷積層，將每兩個標準卷積層恒等映射封裝為一個殘差模塊，由殘差模塊堆疊起深度網絡，在最后幾層使用全卷積層代替全連接層；最后一層為輸出層，輸出層用于將隱藏層最后一個維度的輸出做一個線性回歸，輸出結果。

5.根據權利要求3所述的一種基于機器學習的智慧水務日用水量預測方法，其特征在于，TCN預測模型的中間處理過程包括：

S21、將預處理后的歷史用水量數據直接作為模型的輸入，經過時間卷積神經網絡TCN預測模型的4個隱藏層，在每一個隱藏層中，輸入數據首先經過兩個一維擴張因果卷積，每個擴張因果卷積之后先使用WeightNorm對模型的權重進行權重正則化，其次使用ReLU非線性函數作為激活函數，再添加Dropout實現正則化；輸入數據經過兩次擴張因果卷積之后，得到擴張因果卷積后的結果，將輸入數據輸入一個1*1卷積，得到1*1卷積結果；將1*1卷積結果與擴張因果卷積后的結果相加，得到一個隱藏層提取的特征；在一個隱藏層進行特征提取時，通過殘差連接塊把下層特征拿到高層增強準確率；

S22、在經過4個隱藏層之后，將隱藏層最后一層輸出的最后一維做線性回歸，得到下一天的日用水量預測結果，計算預測結果與真實數據的RMSE，若RMSE的值小于RMSE閾值，則說明TCN預測模型訓練完畢，得到訓練好的TCN預測模型。

6.根據權利要求1所述的一種基于機器學習的智慧水務日用水量預測方法，其特征在于，所述機器學習模型包括4個基模型，分別是：RandomForest、Xgboost、Lasso、LinearRegression。