[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

本發明涉及機器學習中的大數據處理技術領域，具體涉及一種基于機器學習的智慧水務日用水量預測方法，包括：獲取日期、氣候數據和歷史用水量數據，預處理；將預處理后的歷史用水量數據輸入TCN預測模型提取混沌信息和隱藏特征進行預測，得到TCN預測結果；通過日期和氣候數據對TCN預測結果進行矯正，將日期、氣候數據和TCN預測結果一同作為特征輸入機器學習模型中進行訓練和預測，得到矯正后的下一天用水量預測結果。本發明將機器學習與城市日需水量預測相結合，可以準確預測城市日需水量。

技術領域

本發明涉及機器學習中的大數據處理技術領域，具體涉及一種基于機器學習的智慧水務日用水量預測方法。

背景技術

隨著世界人口的增長、氣候變暖和城市規模的擴大，城市對水資源的需求日益增加。許多國家都面臨著水資源短缺的問題，因此對水資源進行合理的規劃和管理顯得尤為重要。實現這一目標的前提是進行可靠的每日用水需求預測。日需水量預測在城市建設規劃、配水系統優化調度中具有重要作用。此外，它可以幫助城市規劃者更好地決定如何有效地分配水資源。日用水量取決于多種因素，如日期，氣候、社會因素等。隨著更嚴重的全球變暖的到來，氣候因素變得越來越重要。隨著人們生活水平的提高和人口流動性的加快，水需求也隨著時間的變化而波動。傳統的時間序列分析方法以日需水量時間序列作為模型的輸入，只考慮日需水量波動的非平穩、非線性特征，預測精度僅依賴歷史數據。因此，數據的質量往往決定了模型預測的準確性。

由于日用水量與外界因素息息相關，所以當前的模型普遍會存在以下一些技術問題：1.隨著城市規模越來越大,需水量增長,影響城市需水量的因素復雜多變,建立城市需水量確定性和不確定性變量非常困難。2.如何合理的從城市日需水時間序列中提取出混沌特征。3.沒有對城市日需水和它的影響因素系統的做特征工程。4.模型單一。沒有對模型優化。

發明內容

為了解決上述問題，本發明提供一種基于機器學習的智慧水務日用水量預測方法。

一種基于機器學習的智慧水務日用水量預測方法，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。

進一步的，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。

進一步的，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。

進一步的，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。

進一步的，TCN預測模型的中間處理過程包括：