CN110751416A - 一种用水量的预测方法、装置及设备 - Google Patents
一种用水量的预测方法、装置及设备 Download PDFInfo
- Publication number
- CN110751416A CN110751416A CN201911037989.2A CN201911037989A CN110751416A CN 110751416 A CN110751416 A CN 110751416A CN 201911037989 A CN201911037989 A CN 201911037989A CN 110751416 A CN110751416 A CN 110751416A
- Authority
- CN
- China
- Prior art keywords
- water
- data
- neural network
- network model
- domestic
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 359
- 238000000034 method Methods 0.000 title claims abstract description 39
- 239000008235 industrial water Substances 0.000 claims abstract description 134
- 238000003062 neural network model Methods 0.000 claims abstract description 115
- 230000008859 change Effects 0.000 claims abstract description 14
- 238000010606 normalization Methods 0.000 claims description 13
- 238000007621 cluster analysis Methods 0.000 claims description 12
- 238000012545 processing Methods 0.000 claims description 11
- 238000001556 precipitation Methods 0.000 claims description 4
- 238000012935 Averaging Methods 0.000 claims description 3
- 238000013527 convolutional neural network Methods 0.000 abstract 1
- 238000012549 training Methods 0.000 description 12
- 239000011159 matrix material Substances 0.000 description 10
- 238000003860 storage Methods 0.000 description 7
- 238000012360 testing method Methods 0.000 description 7
- 238000004364 calculation method Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 239000013598 vector Substances 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 241000282414 Homo sapiens Species 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000002354 daily effect Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008707 rearrangement Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000008399 tap water Substances 0.000 description 1
- 235000020679 tap water Nutrition 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06315—Needs-based resource requirements planning or analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- General Health & Medical Sciences (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- Educational Administration (AREA)
- Artificial Intelligence (AREA)
- Primary Health Care (AREA)
- Water Supply & Treatment (AREA)
- Public Health (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种用水量的预测方法、装置及设备。该用水量的预测方法包括:获取目标区域的历史用水数据;根据历史用水数据随时间的变化规律,将所述历史用水数据划分为工业用水数据和生活用水数据;根据所述工业用水数据和生活用水数据分别建立工业用水预测神经网络模型和生活用水预测神经网络模型;根据所述工业用水预测神经网络模型和生活用水预测神经网络模型预测所述目标区域的用水量。本发明实施例的技术方案,通过根据历史用水数据及其变化规律,首先将其分为工业用水和生活用水,再分别建立不同的卷积神经网络模型进行用水量预测,实现了用水量的自动预测,且预测结果自适应性强、精度高。
Description
技术领域
本发明实施例涉及数据处理技术领域,尤其涉及一种用水量的预测方法、装置及设备。
背景技术
城乡用水量预测能够对未来一段时间的用水量进行分析,如今在水资源规划、用水管理以及对供水***进行科学调度等方面发挥着越来越重要的指导作用。因此,研究城市用水量预测技术和方法是实现水资源可持续利用的重要工作。
现有城乡自来水用水规模预测大多根据《城市给水工程规划规范》GB50282-98和《农村给水设计规范》CECS82:96,采用人均综合用水量指标乘以规划水平年预计人口数确定。
上述计算方法计算得到的需水量为一个确定的指标,没有随时间和外在条件变化的特性,与实际情况存在一定出入,用于指导水厂生产时可能产生较大误差,实际操作中往往还需要水厂工作人员根据经验进行微调。预测结果误差较大、自适应性差。
发明内容
本发明提供了一种用水量的预测方法、装置及设备,以实现用水量的自动、精准预测。
第一方面,本发明实施例提供了一种用水量的预测方法,该方法包括:
获取目标区域的历史用水数据;
根据历史用水数据随时间的变化规律,将所述历史用水数据划分为工业用水数据和生活用水数据;
根据所述工业用水数据和生活用水数据分别建立工业用水预测神经网络模型和生活用水预测神经网络模型;
根据所述工业用水预测神经网络模型和生活用水预测神经网络模型预测所述目标区域的用水量。
第二方面,本发明实施例还提供了一种用水量的预测装置,该装置包括:
历史信息获取模块,用于获取目标区域的历史用水数据;
信息划分模块,用于根据历史用水数据随时间的变化规律,将所述历史用水数据划分为工业用水数据和生活用水数据;
神经网络模型建立模块,用于根据所述工业用水数据和生活用水数据分别建立工业用水预测神经网络模型和生活用水预测神经网络模型;
用水量预测模块,用于根据所述工业用水预测神经网络模型和生活用水预测神经网络模型预测所述目标区域的用水量。
第三方面,本发明实施例还提供了一种设备,该设备包括:
一个或多个处理器;
存储器,用于存储一个或多个程序;
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现本发明任意实施例提供的用水量的预测方法。
本发明实施例的技术方案,通过获取历史用水数据,并根据历史用水数据的变化规律对其进行分类,分为工业用水和生活用水两类,并对这两类数据分别建立不同的神经网络模型,根据所建立神经网络模型预测用水量,考虑了本地的历史数据作为预测的基础数据,使得用水量的预测更符合用水的实际情况,通过将数据分类,建立不同的神经网络模型进行预测,预测自适应性强、精准度高。
附图说明
图1是本发明实施例一中的一种用水量的预测方法的流程图;
图2是本发明实施例二中的一种用水量的预测方法的流程图;
图3是本发明实施例三中的一种用水量的预测装置的示意图;
图4是本发明实施例四中的一种设备的示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是,此处所描述的具体实施例仅用于解释本发明,而非对本发明的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与本发明相关的部分而非全部结构。
实施例一
图1是本发明实施例一提供的一种用水量的预测方法的流程图,本实施例可适用于对用水量预测的情况,该方法可以由用水量的预测装置或***来执行,该装置可以通过软件和/或硬件的方式实现,如图1所示,该方法具体包括如下步骤:
步骤110、获取目标区域的历史用水数据。
其中,目标区域指的是用来预测用水量的区域,可以是某一城市或其他指定的区域。历史用水数据包括需要预测的当前时刻之前一段时间的该目标地区的用水数据或用水量。历史用水数据还可以包括日期和时刻等信息。
进一步地,可以获取目标区域的设定时间段的历史用水数据。其中,设定时间段可以是当前时刻之前的1年、2年、3年或其他时间长度。
具体的,可以从水务公司获取目标区域的历史用水数据。也可以从其他相关单位获取目标区域的历史用水数据。
步骤120、根据历史用水数据随时间的变化规律,将所述历史用水数据划分为工业用水数据和生活用水数据。
其中,工业用水数据包括工业生产过程中使用的用水数据以及厂区内职工生活的用水数据,生活用书数据包括非工业区的人类日常生活所使用的用水数据。生活用水数据中还可以包括市政用水、消防用水等随机性较大的用水数据。
由于工业用水和生活用水的用水特征存在较大差异,将两者混合进行神经网络建模会导致模型的预测误差较大,因此,需要历史用水数据进行分类,以分离出生活用水数据和历史用水数据。工业用水的特性用水量比较均匀,具有随季节、天气变化小的特点;而生活用水不确定性更大,需要考虑的因素更多。因此将历史用水数据分为工业用水数据和生活用水数据分别建立模型进行计算。
可选的,还可以根据历史用水数据的收费标准将历史用水数据划分为工业用水数据和生活用水数据。
步骤130、根据所述工业用水数据和生活用水数据分别建立工业用水预测神经网络模型和生活用水预测神经网络模型。
可选的,本发明任意实施例提及的各个神经网络模型包括一个输入层、两个卷积层、一个全连接层和一个输出层。
示例性的,假设所获取的是之前两年的历史用水数据,或前730天的数据,那么,可选取前730-31天的数据作为训练集进行神经网络模型训练,而前30-1天的数据作为测试集进行神经网络模型测试,以确定神经网络模型是否合格。
本申请任意实施例所涉及的神经网络模型具体的训练过程为:首先,初始化神经网络模型各个参数的值,将训练集中的数据输入输入层,经过卷积层和全连接层后先前传播至输出层得到输出值,计算输出值与目标值(可以是训练集或测试集中预测时刻的用水量)的误差,当误差大于期望值时,将该误差传回网络中,依次求得各层的误差,接着根据误差进行各个参数值的更新,直至训练集所有数据的误差小于或等于期望值,结束训练,确定神经网络模型。还可以设置训练次数的上限,当大于该上限时则,结束训练。
可选的,根据所述工业用水数据和生活用水数据分别建立工业用水预测神经网络模型和生活用水预测神经网络模型,包括:分别确定所述工业用水数据和生活用水数据的影响因子,并获取所述影响因子的值;根据所述工业用水数据及其影响因子的值建立工业用水预测神经网络模型;根据所述生活用水数据及其影响因子的值建立生活用水预测神经网络模型。
可选的,工业用水数据的影响因子包括季节、节假日、时刻和历史平均用水量等;生活用水数据的影响因子包括:季节、节假日、星期、时刻、气温、降水量和历史平均用水量等。
具体的,可以根据用水特性分别确定所述工业用水数据和生活用水数据的影响因子。以生活用水数据为例,获取影响因子的值可以是根据生活用水数据确定影响因子日期和时刻的值;根据日期确定该日期对应的季节、星期和节假日影响因子的值;根据影响因子日期和时刻的值以及气象部门的信息可以确定影响因子气温的值,可以是最高气温或平均气温;而历史平均用水量的值可以是距离当前时刻28天的生活用水数据的用水量的平均值。工业用水数据与之类似,不在此赘述。
示例性的,历史2018年8月8日的工业用水数据如表1所示,表1中的时间中的0~1表示的是从0点到1点这一时间段,平均用水量则相应的表示当前时间段的平均用水量,单位为吨。工业用水数据中包括了日期(2018年8月8日),根据该日期便可以得知季节、节假日和星期等信息,具体为夏季、星期三和非节假日。再根据气象台发布的该地区的2018年8月8日的温度和天气情况,可以获得最高温度、平均温度、最低温度以及降雨量信息等。
表1 2018年8月8日的工业用水数据
具体的,可以将上述各个影响因子数值化作为神经网络模型的输入参数。示例性的,日期可以是1-366之间的正整数,如2018年1月1日对应的数值为1,2018年2月1日对应的数值为32,该数值指的是当天为这一年的第几天。节假日的值可以是0或1,0代表不是节假日,而1代表是节假日。星期则取1-7之间的正整数,数值与其代表的星期相对应,星期三对应数值即为3,星期七或星期日即对应数值7。时间采用1-24或0-23之间的正整数表示,分别对应每个整点,如7点对应的数值为7,15点对应的数值则为15,24点对应的数值可以是24也可以是0。最高气温、平均气温则采用小数表示,也可以根据温度所属的区间进行分级,采用等级表示,如可以划分5个等级,整数1-5分别表示等级1-5,而等级1对应的温度最低的温度区间,等级5代表温度最高的温度区间,具体的,如为最高温度时,1代表最高气温低于10℃,2表示最高气温在10~30℃区间范围内,3则表示最高气温在30~35℃区间,4表示最高气温在35~40℃区间,5则表示最高气温大于40℃,当然也可以采用其他数值进行等级划分,所划分的等级也可以是其他数量。降水量可以是每个小时的平均降雨量,与用水量的计算间隔一致,当然,为了减小计算量,也可以采用24小时的降雨总量来表示,可以采用小数表示,也可以采用等级表示,如降雨量小于10mm时,为小雨,等级取值为1;降雨量在10~25mm之间者,为中雨,等级取值为2;降雨量在25~50mm之间者,为大雨,等级取值为3;降雨量在50~100mm之间者,为暴雨,等级取值为4;降雨量在100~200mm之间者,为大暴雨,等级取值为5;降雨量大于200mm者,为特大暴雨,等级取值为6。
具体的,在建立工业用水预测神经网络模型时,可以根据工业用水数据确定其各个影响因子的值,接着,将过去730天至31天的工业用水数据的各个影响因子,如日期DI、节假日HI、时刻TI和平均用水量WIj,其中,j表示预测的当前时刻,WIj则表示当前时刻之前28天的用水量的平均值,下角标I表示为工业相关的参数,输入工业用水预测神经网络模型,得到预测的过去30天的用水量,再根据实际的过去30天的各个小时的平均用水量进行测试,以修正网络模型的参数。类似的,在建立生活用水预测神经网络模型时,可以根据生活用水数据确定其各个影响因子的值,接着,将过去730天至31天的生活用水数据的各个影响因子,如日期DD、节假日HD、时刻TD、星期XD、最高气温CD、降水量RD和平均用水量WDj,其中,j表示预测的当前时刻,WDj则表示当前时刻之前28天的用水量的平均值,下角标D表示为生活相关的参数,输入生活用水预测神经网络模型,得到预测的过去30天的用水量,再根据实际的过去30天的各个小时的平均用水量进行测试,以修正网络模型的参数。
步骤140、根据所述工业用水预测神经网络模型和生活用水预测神经网络模型预测所述目标区域的用水量。
具体的,可以根据工业用水预测神经网络模型预测所述目标区域的工业用水量,根据生活用水预测神经网络模型预测所述目标区域的生活用水量,根据工业用水量和生活用水量确定目标区域的用水量。其中,用水量可以是生活用水量和工业用水量相加的和的值。
本发明实施例的技术方案,通过获取历史用水数据,并根据历史用水数据的变化规律对其进行分类,分为工业用水和生活用水两类,并对这两类数据分别建立不同的神经网络模型,根据所建立神经网络模型预测用水量,考虑了本地的历史数据作为预测的基础数据,使得用水量的预测更符合用水的实际情况,通过将数据分类,建立不同的神经网络模型进行预测,预测自适应性强、精准度高。
实施例二
图2为本发明实施例二提供的一种用水量的预测方法的流程图,本实施例是对上一实施例的进一步细化,如图2所示,该方法包括如下步骤:
步骤210、获取目标区域的历史用水数据。
步骤220、根据历史用水数据随时间的变化规律,将所述历史用水数据划分为工业用水数据和生活用水数据。
步骤230、分别确定所述工业用水数据和生活用水数据的影响因子,并获取所述影响因子的值。
步骤240、对所述工业用水数据和生活用水数据进行归一化处理,以获取归一化工业用水数据和归一化生活用水数据。
其中,归一化指的是将各个用水数据的值归一到一个设定的取值范围。归归一化工业用水数据指的是归一化后的工业用水数据,归一化生活用水数据指的是归一化后的生活用水数据。
进一步地,可以根据预设范围对所述工业用水数据和生活用水数据进行归一化处理,以获取归一化工业用水数据和归一化生活用水数据。
由于不同时间的用水数据(用水量)的取值范围不相同,从而会导致其在预测中占得比重不同,从而会导致取值较小的数据被淹没,从而导致预测结果不准确。为了提高预测的精度,需要将各个影响因子进行归一化处理。
具体的,为了保障模型的准确性,防止数据被淹没,可以将各个用水数据(包括工业用水数据和生活用水数据)的值归一化设定取值范围,如[0.2,0.8]、[0,1]。具体的归一化处理为:
步骤250、根据所述归一化工业用水数据及所述工业用水数据的影响因子建立工业用水预测神经网络模型。
具体的,本申请任意实施例所涉及的神经网络模型包括工业用水预测神经网络模型,包括一个输入层,两个卷积层以及一个全连接层和一个输出层,输入层特征大小为3×3,特征通道为1;卷积层1特征大小为3×3,特征通道为3,卷积核2×2;卷积层2特征大小为3×3,特征通道为9,卷积核2×2;全连接层特征大小为1×27,特征通道为1,卷积核为54×1;输出层特征大小为1。
根据所述归一化工业用水数据及所述工业用水数据的影响因子建立工业用水预测神经网络模型,与前述的根据所述工业用水数据及其影响因子建立工业用水预测神经网络模型的步骤基本一致,仅将输入由未经过归一化处理的工业用水数据替换为归一化工业用水数据即可。
可选的,根据所述归一化工业用水数据及所述工业用水数据的影响因子建立工业用水预测神经网络模型,包括:
根据用水特性对所述归一化工业用水数据进行聚类分析,以获取各个工业用水子集;根据所述工业用水子集及所述工业用水数据的影响因子,建立各所述工业用水子集分别对应的子工业用水预测神经网络模型,其中,所述工业用水预测神经网络模型由各个子工业用水预测神经网络模型组成。
步骤260、根据用水特性对所述归一化生活用水数据进行聚类分析,以获取各个生活用水子集。
其中,用水特性包括用户的用水量的分布规律。聚类分析是一种对数据进行分类的分析过程。
由于生活用水数据的用户的用水量有很大的不同,如独居上班族、三代同堂的大家庭等,不同用户的用水量有所不同。工业用水也随着工业的规模和性质有所不同。因此,需要对用水数据进行分类,以将用水特性相似或相近的用户的生活用水数据分为一类,从而获取各个生活用水子集,以细化数据的分类,提高预测的准确率。需要说明的是,对生活用水数据所进行的聚类相关的步骤同样也适用于工业用水数据,以下以生活用水为例进行描述。
可选的,所述根据用水特性对所述生活用水数据进行聚类分析,包括:
根据所述生活用水数据及其影响因子的相关系数,对所述生活用水数据进行聚类分析。
可选的,所述相关系数的表达式为:
其中,ρ表示所述相关系数,Qt为t时刻的用水量,t代表当前时刻,t的初始值为1,上限值为n,n代表计算相关系数的上限时间,Qavg为t时刻之前设定时间段的用水量的平均值,et为t时刻的所述生活用水数据的影响因子的值,eavg为t时刻之前设定时间段的所述生活用水数据的影响因子的值的平均值。
步骤270、根据所述生活用水子集及所述生活用水数据的影响因子,建立各所述生活用水子集分别对应的子生活用水预测神经网络模型。
其中,所述生活用水预测神经网络模型由各个子生活用水预测神经网络模型组成。
其中,也可以先执行步骤260和步骤270,后执行步骤250。
具体的,根据所述生活用水子集及所述生活用水数据的影响因子,建立各所述生活用水子集分别对应的子生活用水预测神经网络模型,包括:
根据生活用水子集及其影响因子,生出初始输入矩阵,其中,所述初始输入矩阵的列数与所述生活用水数据的影响因子的个数相同;根据所述列数对所述初始输入矩阵进行补零操作,以获得中间输入矩阵,其中,中间输入矩阵的列数为设定数值的二次方;根据所述中间输入矩阵建立各所述生活用水子集分别对应的子生活用水预测神经网络模型。
示例性的,假设通过步骤270将生活用水数据为目标区域居民每个小时的平均用水量,可分为Y类,每一类包括D组数据,其中,不同类别对应的数据的个数可以不同,也可以相同。那么,对应子生活用水预测神经网络模型的生活用水数据的大小为(730×24×D)×7,其中,730表示记录的是过去730天的用水量,24表示需要记录每天每个小时的平均用水量,D表示该分组中包括D个用户的生活用水数据,7表示每个用水量对应7个影响因子(季节、节假日、星期、时刻、气温、降水量和历史平均用水量)。为了便于进行神经网络模型的计算,对上述数据进行行列补零操作,将原有的7列数据的末尾补充2列零向量,将数据的大小变为(730×24×D)×9。将该数据的每个行向量矩阵化,即将原来1×9的行向量转换为3×3的矩阵形式,从而获得样本矩阵(大小(730×24×D)×3×3)。对数据进行升维,以作为子生活用水预测神经网络模型的输入:将样本矩阵(730×24×D)×3×3升维成大小为(730×24×D)×3×3×1的四维矩阵形式,其中,1代表的是当前数据所属的分组,即Y的值。对升维后的数据,选取距离预测当天730天-31天的数据作为训练集,30天-1天的数据作为测试集。通过前述的神经网络模型训练、测试等方法确定子生活用水预测神经网络模型的参数。
步骤280、根据所述工业用水预测神经网络模型和生活用水预测神经网络模型预测所述目标区域的用水量。
具体的,根据所述工业用水预测神经网络模型和生活用水预测神经网络模型预测所述目标区域的用水量,包括:
根据所述工业用水预测神经网络模型预测所述目标区域的归一化工业用水量;根据生活用水预测神经网络模型预测所述目标区域的归一化生活用水量;根据归一化工业用水量与归一化生活用水量预测所述目标区域的用水量。
可选的,跟据归一化工业用水量与归一化生活用水量预测所述目标区域的用水量,包括:
跟据归一化工业用水量及工业用水数据的归一化处理的逆过程确定工业用水量;跟据归一化生活用水量及生活用水数据的归一化处理的逆过程确定生活用水量;将工业用水量与生活用水量的和确定为所述目标区域的预测用水量。
具体的,由于输入模型的用水数据是经过归一化处理的,因此,需要对神经网络模型输出的数据进行归一化处理的逆处理,以还原用水量的真实取值。
由步骤240归一化处理的内容,可以知道归一化采用的公式为:
则对应的,归一化逆处理为:
其中,a和b分别归一化后取值范围的上下限,Dmin和Dmax分别为原用水数据的最小值和最大值,其中,原用水数据可以是工业用水数据或生活用水数据,为神经网络模型预测的用水量,Dy归一化逆处理后的用水数据。
进一步地,还可以根据预测的该目标区域的用水量,以设定形式显示用水量的预测结果。
具体的,可以显示单个用户的用水量的预测结果,也可以显示设定地区的用水量的预测结果,还可以纵向叠加,显示每天该地区的用水量的预测趋势图。还可以采用滚动方式,利用历史数据对未来设定时间内的用水量走向进行预测。
进一步地,还包括:更新历史用水数据,重复执行步骤220-步骤280,以更新神经网络模型,提高模型的精度和实时性。
本发明实施例的技术方案,通过对数据进行归一化处理,防止了数据被淹没,有效保证了预测精度;通过对生活用水数据进行进一步划分,细化数据分类,生成多个子生活用水预测神经网络模型,使得模型的训练更符合该类用户的特性,提高了模型的预测精度。
实施例三
图3是本发明实施例三提供的一种用水量的预测装置的示意图,如图3所示,该装置包括:历史信息获取模块310、信息划分模块320、神经网络模型建立模块330和用水量预测模块340。
其中,历史信息获取模块310,用于获取目标区域的历史用水数据;信息划分模块320,用于根据历史用水数据随时间的变化规律,将所述历史用水数据划分为工业用水数据和生活用水数据;神经网络模型建立模块330,用于根据所述工业用水数据和生活用水数据分别建立工业用水预测神经网络模型和生活用水预测神经网络模型;用水量预测模块340,用于根据所述工业用水预测神经网络模型和生活用水预测神经网络模型预测所述目标区域的用水量。
本发明实施例的技术方案,通过获取历史用水数据,并根据历史用水数据的变化规律对其进行分类,分为工业用水和生活用水两类,并对这两类数据分别建立不同的神经网络模型,根据所建立神经网络模型预测用水量,考虑了本地的历史数据作为预测的基础数据,使得用水量的预测更符合用水的实际情况,通过将数据分类,建立不同的神经网络模型进行预测,预测自适应性强、精准度高。
可选的,神经网络模型建立模块330,包括:
影响因子确定单元,用于分别确定所述工业用水数据和生活用水数据的影响因子,并获取所述影响因子的值;工业模型建立单元,用于根据所述工业用水数据及其影响因子的值建立工业用水预测神经网络模型;生活模型建立单元,用于根据所述生活用水数据及其影响因子的值建立生活用水预测神经网络模型。
可选的,用水量的预测装置,还包括:
归一化处理模块,用于在根据所述工业用水数据和生活用水数据分别建立工业用水预测神经网络模型和生活用水预测神经网络模型之前,对所述工业用水数据和生活用水数据进行归一化处理。
可选的,生活模型建立单元,包括:
聚类分析子单元,用于根据用水特性对所述生活用水数据进行聚类分析,以获取各个生活用水子集;生活模型建立子单元,用于根据所述生活用水子集及所述生活用水数据的影响因子,建立各所述生活用水子集分别对应的子生活用水预测神经网络模型,其中,所述生活用水预测神经网络模型由各个子生活用水预测神经网络模型组成。
可选的,聚类分析子单元,具体用于:
根据所述生活用水数据及其影响因子的相关系数,对所述生活用水数据进行聚类分析。
其中,相关系数的表达式为:
其中,ρ表示所述相关系数,Qt为t时刻的用水量,t代表当前时刻,t的初始值为1,上限值为n,n代表计算相关系数的上限时间,Qavg为t时刻之前设定时间段的用水量的平均值,et为t时刻的所述生活用水数据的影响因子的值,eavg为t时刻之前设定时间段的所述生活用水数据的影响因子的值的平均值。
本发明实施例所提供的用水量的预测装置可执行本发明任意实施例所提供的用水量的预测方法,具备执行方法相应的功能模块和有益效果。
实施例四
图4为本发明实施例四提供的一种用水量预测设备的结构示意图,如图4所示,该设备包括处理器410、存储器420、输入装置430和输出装置440;设备处理器410的数量可以是一个或多个,图4中以一个处理器410为例;设备中的处理器410、存储器420、输入装置430和输出装置440可以通过总线或其他方式连接,图4中以通过总线连接为例。
存储器420作为一种计算机可读存储介质,可用于存储软件程序、计算机可执行程序以及模块,如本发明实施例中的用水量的预测方法对应的程序指令/模块(例如,用水量的预测装置中的历史信息获取模块410、信息划分模块420、神经网络模型建立模块430和用水量预测模块440)。处理器410通过运行存储在存储器420中的软件程序、指令以及模块,从而执行设备的各种功能应用以及数据处理,即实现上述的用水量的预测方法。
存储器420可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作***、至少一个功能所需的应用程序;存储数据区可存储根据终端的使用所创建的数据等。此外,存储器420可以包括高速随机存取存储器,还可以包括非易失性存储器,例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实例中,存储器420可进一步包括相对于处理器410远程设置的存储器,这些远程存储器可以通过网络连接至设备/终端/服务器。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
输入装置430可用于接收输入的数字或字符信息,以及产生与设备的用户设置以及功能控制有关的键信号输入。输出装置440可包括显示屏等显示设备。
实施例五
发明实施例五还提供一种包含计算机可执行指令的存储介质,所述计算机可执行指令在由计算机处理器执行时用于执行一种用水量的预测方法,该方法包括:
获取目标区域的历史用水数据;
根据历史用水数据随时间的变化规律,将所述历史用水数据划分为工业用水数据和生活用水数据;
根据所述工业用水数据和生活用水数据分别建立工业用水预测神经网络模型和生活用水预测神经网络模型;
根据所述工业用水预测神经网络模型和生活用水预测神经网络模型预测所述目标区域的用水量。
当然,本发明实施例所提供的一种包含计算机可执行指令的存储介质,其计算机可执行指令不限于如上所述的方法操作,还可以执行本发明任意实施例所提供的用水量的预测方法中的相关操作。
通过以上关于实施方式的描述,所属领域的技术人员可以清楚地了解到,本发明可借助软件及必需的通用硬件来实现,当然也可以通过硬件实现,但很多情况下前者是更佳的实施方式。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如计算机的软盘、只读存储器(Read-Only Memory,ROM)、随机存取存储器(RandomAccess Memory,RAM)、闪存(FLASH)、硬盘或光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述的方法。
值得注意的是,上述用水量的预测装置的实施例中,所包括的各个单元和模块只是按照功能逻辑进行划分的,但并不局限于上述的划分,只要能够实现相应的功能即可;另外,各功能单元的具体名称也只是为了便于相互区分,并不用于限制本发明的保护范围。
注意,上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解,本发明不限于这里所述的特定实施例,对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此,虽然通过以上实施例对本发明进行了较为详细的说明,但是本发明不仅仅限于以上实施例,在不脱离本发明构思的情况下,还可以包括更多其他等效实施例,而本发明的范围由所附的权利要求范围决定。
Claims (10)
1.一种用水量的预测方法,其特征在于,包括:
获取目标区域的历史用水数据;
根据历史用水数据随时间的变化规律,将所述历史用水数据划分为工业用水数据和生活用水数据;
根据所述工业用水数据和生活用水数据分别建立工业用水预测神经网络模型和生活用水预测神经网络模型;
根据所述工业用水预测神经网络模型和生活用水预测神经网络模型预测所述目标区域的用水量。
2.根据权利要求1所述的方法,其特征在于,所述根据所述工业用水数据和生活用水数据分别建立工业用水预测神经网络模型和生活用水预测神经网络模型,包括:
分别确定所述工业用水数据和生活用水数据的影响因子,并获取所述影响因子的值;
根据所述工业用水数据及其影响因子的值建立工业用水预测神经网络模型;
根据所述生活用水数据及其影响因子的值建立生活用水预测神经网络模型。
3.根据权利要求2所述的方法,其特征在于,所述工业用水数据的影响因子包括季节、节假日、时刻和历史平均用水量中的至少一项;所述生活用水数据的影响因子包括:季节、节假日、星期、时刻、气温、降水量和历史平均用水量中至少一项。
4.根据权利要求1所述的方法,其特征在于,在根据所述工业用水数据和生活用水数据分别建立工业用水预测神经网络模型和生活用水预测神经网络模型之前,还包括:
对所述工业用水数据和生活用水数据进行归一化处理。
5.根据权利要求2所述的方法,其特征在于,所述根据所述生活用水数据及其影响因子的值建立生活用水预测神经网络模型,包括:
根据用水特性对所述生活用水数据进行聚类分析,以获取各个生活用水子集;
根据所述生活用水子集及所述生活用水数据的影响因子,建立各所述生活用水子集分别对应的子生活用水预测神经网络模型,其中,所述生活用水预测神经网络模型由各个子生活用水预测神经网络模型组成。
6.根据权利要求5所述的方法,其特征在于,所述根据用水特性对所述生活用水数据进行聚类分析,包括:
根据所述生活用水数据及其影响因子的相关系数,对所述生活用水数据进行聚类分析。
8.根据权利要求2所述的方法,其特征在于,所述根据所述工业用水数据及其影响因子的值建立工业用水预测神经网络模型,包括:
根据用水特性对所述工业用水数据进行聚类分析,以获取各个工业用水子集;
根据所述工业用水子集及所述工业用水数据的影响因子,建立各所述工业用水子集分别对应的子工业用水预测神经网络模型,其中,所述工业用水预测神经网络模型由各个子工业用水预测神经网络模型组成。
9.一种用水量的预测装置,其特征在于,包括:
历史信息获取模块,用于获取目标区域的历史用水数据;
信息划分模块,用于根据历史用水数据随时间的变化规律,将所述历史用水数据划分为工业用水数据和生活用水数据;
神经网络模型建立模块,用于根据所述工业用水数据和生活用水数据分别建立工业用水预测神经网络模型和生活用水预测神经网络模型;
用水量预测模块,用于根据所述工业用水预测神经网络模型和生活用水预测神经网络模型预测所述目标区域的用水量。
10.一种用水量预测设备,其特征在于,所述设备包括:
一个或多个处理器;
存储器,用于存储一个或多个程序;
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1-8中任一所述的用水量的预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911037989.2A CN110751416A (zh) | 2019-10-29 | 2019-10-29 | 一种用水量的预测方法、装置及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911037989.2A CN110751416A (zh) | 2019-10-29 | 2019-10-29 | 一种用水量的预测方法、装置及设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110751416A true CN110751416A (zh) | 2020-02-04 |
Family
ID=69280823
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911037989.2A Pending CN110751416A (zh) | 2019-10-29 | 2019-10-29 | 一种用水量的预测方法、装置及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110751416A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111210093A (zh) * | 2020-03-05 | 2020-05-29 | 重庆森鑫炬科技有限公司 | 基于大数据的日用水量预测方法 |
CN111415192A (zh) * | 2020-02-27 | 2020-07-14 | 重庆森鑫炬科技有限公司 | 基于大数据的用户用水性质预测方法 |
CN111476626A (zh) * | 2020-03-04 | 2020-07-31 | 珠海市百岛科技有限公司 | 智能订水方法及智能水站*** |
CN112696344A (zh) * | 2020-12-23 | 2021-04-23 | 上海熊猫机械(集团)有限公司 | 一种供水加压泵站的智能控制方法 |
CN112799156A (zh) * | 2021-03-30 | 2021-05-14 | 中数通信息有限公司 | 气象一体化突发事件预警发布方法及装置 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104715292A (zh) * | 2015-03-27 | 2015-06-17 | 上海交通大学 | 基于最小二乘支持向量机模型的城市短期用水量预测方法 |
CN107977735A (zh) * | 2017-11-15 | 2018-05-01 | 河海大学 | 一种基于深度学习的城市日用水量预测方法 |
CN108764473A (zh) * | 2018-05-23 | 2018-11-06 | 河北工程大学 | 一种基于相关分析的bp神经网络用水量预测方法 |
-
2019
- 2019-10-29 CN CN201911037989.2A patent/CN110751416A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104715292A (zh) * | 2015-03-27 | 2015-06-17 | 上海交通大学 | 基于最小二乘支持向量机模型的城市短期用水量预测方法 |
CN107977735A (zh) * | 2017-11-15 | 2018-05-01 | 河海大学 | 一种基于深度学习的城市日用水量预测方法 |
CN108764473A (zh) * | 2018-05-23 | 2018-11-06 | 河北工程大学 | 一种基于相关分析的bp神经网络用水量预测方法 |
Non-Patent Citations (4)
Title |
---|
张喜才: "《互联网时代农村流通全产业链整合发展》", 30 September 2017, 中国商业出版社 * |
张志果等: "基于恩格尔系数与霍夫曼系数的城市需水量预测", 《水利学报》 * |
李志敏: "《垃圾邮件识别与处理技术研究》", 31 December 2015, 北京理工大学出版社 * |
荀港益: "基于聚类分析与随机森林的短期负荷滚动预测", 《智能城市》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111415192A (zh) * | 2020-02-27 | 2020-07-14 | 重庆森鑫炬科技有限公司 | 基于大数据的用户用水性质预测方法 |
CN111476626A (zh) * | 2020-03-04 | 2020-07-31 | 珠海市百岛科技有限公司 | 智能订水方法及智能水站*** |
CN111210093A (zh) * | 2020-03-05 | 2020-05-29 | 重庆森鑫炬科技有限公司 | 基于大数据的日用水量预测方法 |
CN112696344A (zh) * | 2020-12-23 | 2021-04-23 | 上海熊猫机械(集团)有限公司 | 一种供水加压泵站的智能控制方法 |
CN112696344B (zh) * | 2020-12-23 | 2022-09-02 | 上海熊猫机械(集团)有限公司 | 一种供水加压泵站的智能控制方法 |
CN112799156A (zh) * | 2021-03-30 | 2021-05-14 | 中数通信息有限公司 | 气象一体化突发事件预警发布方法及装置 |
CN112799156B (zh) * | 2021-03-30 | 2021-07-20 | 中数通信息有限公司 | 气象一体化突发事件预警发布方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110751416A (zh) | 一种用水量的预测方法、装置及设备 | |
CN111552923B (zh) | 一种基于通用分布的负荷预测方法及负荷预测*** | |
Antuchevičiene et al. | Multiple criteria construction management decisions considering relations between criteria | |
CN110751326B (zh) | 一种光伏日前功率预测方法、装置以及存储介质 | |
CN111680841B (zh) | 基于主成分分析的短期负荷预测方法、***及终端设备 | |
CN114330935B (zh) | 基于多种结合策略集成学习的新能源功率预测方法和*** | |
CN114493052B (zh) | 多模型融合自适应新能源功率预测方法和*** | |
CN110796307A (zh) | 一种综合能源***分布式负荷预测方法及*** | |
CN112734135A (zh) | 一种电力负荷预测方法、智能终端及计算机可读存储介质 | |
CN114372360A (zh) | 用于电力负荷预测的方法、终端及存储介质 | |
CN114648155A (zh) | 基于天气分型与气象预报的源解析方法及应急响应*** | |
CN115187134A (zh) | 基于网格的配电网规划方法、装置及终端设备 | |
CN115545333A (zh) | 一种多负荷日类型配电网负荷曲线预测方法 | |
CN114239292A (zh) | 面向低碳经济运行的多能需求园区综合评价方法及*** | |
CN111311025B (zh) | 一种基于气象相似日的负荷预测方法 | |
CN116957356A (zh) | 一种基于大数据的景区碳中和管理方法和*** | |
CN114676931B (zh) | 一种基于数据中台技术的电量预测*** | |
CN116050636A (zh) | 光伏电站的出力预测方法、装置、设备及介质 | |
CN115238854A (zh) | 一种基于tcn-lstm-am的短期负荷预测方法 | |
CN114331175A (zh) | 一种城市安全绩效数据集中统计评估方法及*** | |
CN110991083B (zh) | 一种光伏电站模型确定方法、装置、设备及储存介质 | |
CN113627682A (zh) | 一种非居民用户日电量波动的预测方法及*** | |
CN110929219A (zh) | 配网设备群状态评价方法、装置、***及计算机存储介质 | |
Wang et al. | Research on Daily Tourist Flow Prediction of Scenic Spots Based on Similar Day Clustering and LSSVM Model | |
Gaing et al. | Optimal grey topological predicting approach to short-term load forecasting in power system |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
CB02 | Change of applicant information | ||
CB02 | Change of applicant information |
Address after: Room 206-002, 2 / F, building 8, Xixi bafangcheng, Wuchang Street, Yuhang District, Hangzhou City, Zhejiang Province Applicant after: HANGZHOU RUHR TECHNOLOGY Co.,Ltd. Address before: A4-4-201, No. 643, Shuangliu, Zhuantang street, Xihu District, Hangzhou City, Zhejiang Province Applicant before: HANGZHOU RUHR TECHNOLOGY Co.,Ltd. |
|
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200204 |