[發明專利]基于時空圖卷積網絡的排水管網污水流量預測方法

在審

• 申請號: 202211333090.7
• 申請日: 2022-10-28
• 公開（公告）號: CN115526428A
• 公開（公告）日: 2022-12-27
• 發明（設計）人: 王守志;萬玉生;王冬;劉百韜;姜天凌;曹雪梅;李旭;杜愷忻;劉云慧;謝佳琪
• 申請（專利權）人: 中國市政工程華北設計研究總院有限公司
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06Q50/06;G06N3/04;G06N3/08
• 代理公司: 天津盛理知識產權代理有限公司 12209
• 代理人: 董一寧

1.一種基于時空圖卷積網絡的排水管網污水流量預測方法，其特征在于：包括如下步驟：

S1、獲取排水管網的污水流量時空數據集，并對其進行預處理；

S2、將上述污水流量時空數據集劃分為訓練集、驗證集和測試集；

S3、構建時空圖卷積網絡；

S4、將訓練集和驗證集輸入網絡進行訓練；

S5、用訓練得到的模型對測試集進行預測，得到未來時間點排水管網各分區排放口的污水流量預測值。

2.根據權利要求1所述的基于時空圖卷積網絡的排水管網污水流量預測方法，其特征在于，所述步驟S1中污水流量時空數據集的預處理包括：

統計整理排水管網不同排放口監測站點污水的歷史流量值，得到時間數據集；

統計整理排水管網各分區排放口監測站點的空間連接關系，得到空間數據集。

3.根據權利要求1所述的基于時空圖卷積網絡的排水管網污水流量預測方法，其特征在于，所述步驟S2數據集劃分比例為：60％的訓練集，20％的驗證集和20％的測試集。

4.根據權利要求1所述的基于時空圖卷積網絡的排水管網污水流量預測方法，其特征在于，所述步驟S3構建時空圖卷積網絡集成了循環神經網絡RNN中的門控循環單元GRU和圖卷積網絡GCN兩部分，其中，所述GCN用于捕獲排水管網各分區排放口監測站點網絡的拓撲結構，對空間依賴性進行建模，所述GRU用于捕獲監測站點上污水流量數據的動態變化，對時間序列依賴性進行建模。

5.根據權利要求1所述的基于時空圖卷積網絡的排水管網污水流量預測方法，其特征在于，所述步驟S4的具體實施方法是：利用Intel i76800K 6核處理器+英偉達GeoForceGTX 1080Ti顯卡的計算機硬件資源配置和深度學習框架PyTorch將整理好的樣本集輸入至網絡中進行迭代訓練，根據損失情況確定最終訓練模型，訓練參數見表1，

表1網絡訓練參數

參數	數值	參數	數值
數據集比例	6:2:2	批尺寸(BatchSize)	32
訓練周期(Epoch)	1000	隱藏單元數	64
學習率(LearningRate)	0.001	權重衰減(WeightDecay)	0.0015

。