CN117490002B - 基于流量监测数据的供水管网流量预测方法及*** - Google Patents
基于流量监测数据的供水管网流量预测方法及*** Download PDFInfo
- Publication number
- CN117490002B CN117490002B CN202311825535.8A CN202311825535A CN117490002B CN 117490002 B CN117490002 B CN 117490002B CN 202311825535 A CN202311825535 A CN 202311825535A CN 117490002 B CN117490002 B CN 117490002B
- Authority
- CN
- China
- Prior art keywords
- sample array
- data
- array
- target sample
- value
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 62
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 45
- 238000012544 monitoring process Methods 0.000 title claims abstract description 26
- 238000001514 detection method Methods 0.000 claims abstract description 49
- 238000010606 normalization Methods 0.000 claims description 18
- 230000008569 process Effects 0.000 claims description 17
- 238000012545 processing Methods 0.000 claims description 15
- 230000014509 gene expression Effects 0.000 claims description 14
- 238000010276 construction Methods 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 238000012360 testing method Methods 0.000 claims description 3
- 230000008859 change Effects 0.000 description 8
- 238000004364 calculation method Methods 0.000 description 7
- 238000012986 modification Methods 0.000 description 6
- 230000004048 modification Effects 0.000 description 6
- 230000003321 amplification Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000006872 improvement Effects 0.000 description 3
- 238000012806 monitoring device Methods 0.000 description 3
- 238000003199 nucleic acid amplification method Methods 0.000 description 3
- 238000004134 energy conservation Methods 0.000 description 2
- 235000012054 meals Nutrition 0.000 description 2
- 238000005406 washing Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000000712 assembly Effects 0.000 description 1
- 238000000429 assembly Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000009172 bursting Effects 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 230000001932 seasonal effect Effects 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
Classifications
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F17—STORING OR DISTRIBUTING GASES OR LIQUIDS
- F17D—PIPE-LINE SYSTEMS; PIPE-LINES
- F17D5/00—Protection or supervision of installations
- F17D5/02—Preventing, monitoring, or locating loss
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F17—STORING OR DISTRIBUTING GASES OR LIQUIDS
- F17D—PIPE-LINE SYSTEMS; PIPE-LINES
- F17D1/00—Pipe-line systems
- F17D1/08—Pipe-line systems for liquids or viscous products
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F17—STORING OR DISTRIBUTING GASES OR LIQUIDS
- F17D—PIPE-LINE SYSTEMS; PIPE-LINES
- F17D5/00—Protection or supervision of installations
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A20/00—Water conservation; Efficient water supply; Efficient water use
- Y02A20/152—Water filtration
Landscapes
- Engineering & Computer Science (AREA)
- Mechanical Engineering (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及管网水力技术领域,尤其是提供一种基于流量监测数据的供水管网流量预测方法及***,包括基于实时流量数据和预设的预测值数组,确定第一目标样本数组;基于历史流量数据,获取与第一目标样本数组匹配的第一检测样本数组;对第一目标样本数组、第一检测样本数组进行归一化处理,并计算余弦相似度值及残差平方和;根据余弦相似度值及残差平方和计算匹配差异得分,获取匹配差异得分的最小值及其位置序号;根据匹配差异得分最小值的位置序号从历史流量数据中读取匹配样本数组,从匹配样本数组中提取结果样本数组,得到目标样本的预测数据值。其目的在于,实现供水管网流量的预测,提升供水管网流量预测的准确度。
Description
技术领域
本发明涉及管网水力技术领域,具体而言,涉及一种基于流量监测数据的供水管网流量预测方法及***。
背景技术
目前,许多城市在供水管网上安装了大量的流量监测设备,实时采集了大量的流量数据,研究这些流量数据的波动变化对于供水公司在供水调度、阀门开关控制、阀门开度调节、压力调节、水泵节能等方面都具有重要作用; 城市供水管网受到诸如爆管、漏损、用户增减、用户用水量变化等因素的影响,整体流量可能会有损失或变化。然而,总体来说,城市供水管网仍是一个相对封闭的管网结构,流量监测数据受到一年四季(春夏秋冬)的季节变化、白天和夜晚用水量的变化,以及一天中各餐点时间和洗漱时间的变化而产生变化,总体上呈现一定的规律性。
因此,***管网上各个节点的流量变化情况,可以为供水调度、阀门开关控制、阀门开度调节、压力调节、水泵节能等方面提供重要支持,甚至可以依靠数据联动实现自动化控制和自动化调度。传统的供水管网流量预测方法通常采用获取当前数据的上位数、平均值、中位数或线性回归分析来预测下一个时刻的数据。然而,由于这些方法未能充分体现管网流量数据变化的规律性,导致预测结果往往不够准确。
发明内容
本发明的目的在于提供一种基于流量监测数据的供水管网流量预测方法及***,以实现供水管网流量的预测,提升供水管网流量预测的准确度。
本发明第一方面的技术方案提供了一种基于流量监测数据的供水管网流量预测方法,包括如下步骤:
基于实时流量数据和预设的预测值数组,确定第一目标样本数组;
基于历史流量数据,获取与第一目标样本数组匹配的第一检测样本数组;
对第一目标样本数组、第一检测样本数组进行归一化处理,并根据归一化处理后的第一目标样本数组和第一检测样本数组计算余弦相似度值及残差平方和;
根据余弦相似度值及残差平方和计算匹配差异得分,获取匹配差异得分的最小值及其位置序号;
根据匹配差异得分最小值的位置序号从历史流量数据中读取匹配样本数组,从匹配样本数组中提取结果样本数组,得到目标样本的预测数据值。
进一步地,归一化处理的表达式为:
式中,为归一化处理后的数据,/>为原始数据,/>为数组中的最小值,/>为数组中的最大值。
进一步地,对第一目标样本数组、第一检测样本数组进行归一化处理之后还包括:
根据预设倍数对归一化处理后的第一目标样本数组、第一检测样本数组进行放大取整;
根据第一目标样本数组、第一检测样本数组中数据的总数,构建第二目标样本数组、第二检测样本数组并将放大取整后的数据存储至第二目标样本数组、第二检测样本数组。
进一步地,计算余弦相似度值的表达式为:
计算残差平方和的表达式为:
式中,表示归一化后的第一目标样本数组,/>表示归一化后的第一检测样本数组,/>表示第一目标样本数组中的第/>个数据,/>表示第一检测样本数组中的第/>个数据,/>表示数据的数量。
进一步地,根据余弦相似度值及残差平方和计算匹配差异得分,获取匹配差异得分的最小值及其位置序号包括:
根据历史流量数据个数和第一目标样本数组中数据的个数获取匹配差异得分数据的个数,并构建匹配差异得分数组,将计算得到的匹配差异得分存入匹配差异得分数组;
从匹配差异得分数组中读取匹配差异得分的最小值以及匹配差异得分最小值的位置序号。
进一步地,计算匹配差异得分的表达式为:
式中,表示匹配差异得分值,/>表示余弦相似度值,表示残差平方和的值。
进一步地,从匹配样本数组中提取结果样本数组,得到目标样本的预测数据值包括:
计算归一化处理后的第一目标样本数组的平均值以及匹配样本数组的平均值,其中匹配样本数组的数据数量与归一化处理后的第一目标样本数组匹配;
根据归一化处理后第一目标样本数组的平均值以及匹配样本数组的平均值,计算第一目标样本数组与匹配样本数组之间的平均值倍率。
进一步地,从匹配样本数组中提取结果样本数组,得到目标样本的预测数据值还包括:
根据平均值倍率计算结果样本数组,从结果样本数组中获取与预测值数组相同位置序号的数据,得到目标样本预测数据值。
进一步地,根据平均值倍率计算结果样本数组包括:
将匹配样本数据中每个数据依次乘以平均值倍率,得到结果样本数组。
本发明第二方面的技术方案提供了一种基于流量监测数据的供水管网流量预测***,包括本申请第一方面技术方案中任一项所述的基于流量监测数据的供水管网流量预测方法,该***包括:
数据采集模块,配置为获取实时流量数据和历史流量数据;
数组构建模块,配置为基于实时流量数据和预设的预测值数组,确定第一目标样本数组,基于历史流量数据,获取与第一目标样本数组匹配的第一检测样本数组;
预处理模块,配置为对第一目标样本数组、第一检测样本数组进行归一化处理;
处理模块,配置为根据归一化处理后的第一目标样本数组、第一检测样本数组计算余弦相似度、残差平方以及匹配差异得分;
流量预测模块,配置为根据匹配差异得分最小值的位置序号从历史流量数据中读取匹配样本数组,从匹配样本数组中提取结果样本数组,得到目标样本的预测数据值。
本发明实施例的技术方案至少具有如下优点和有益效果:
本发明提供的基于流量监测数据的供水管网流量预测方法及***,实现了从历史流量数据中根据规律进行流量数据的预测;通过实时流量数据和预设的预测值数组构造第一目标样本数组,再从历史流量数据中构造第一检测样本数组,将第一目标样本数组和第一检测样本数组采用同样的方法归一化到同样的数值区间,然后通过计算余弦相似度和残差平方和,利用匹配差异得分获取匹配样本数据,最终取得预测数据值;一方面结合了实时流量数据和历史流量数据,充分利用了历史流量数据中的规律信息;另一方面通过匹配差异得分来选择最佳的匹配样本数组,进而提高了流量预测的准确度,更符合供水管网的客观规律。
附图说明
图1为本发明实施例提供的基于流量监测数据的供水管网流量预测方法的流程示意图;
图2为本发明实施例提供的从历史流量数据截取第一检测样本的示意图;
图3为本发明实施例提供的基于流量监测数据的供水管网流量预测方法的整体流程示意图;
图4为本发明实施例提供的基于流量监测数据的供水管网流量预测***的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。
应当理解,本文使用的“***”、“装置”、“单元”和/或“模块”是用于区分不同级别的不同组件、元件、部件、部分或装配的一种方法。然而,如果其他词语可实现相同的目的,则可通过其他表达来替换所述词语。
如本说明书和权利要求书中所示,除非上下文明确提示例外情形,“一”、“一个”、“一种”和/或“该”等词并非特指单数,也可包括复数。一般说来,术语“包括”与“包含”仅提示包括已明确标识的步骤和元素,而这些步骤和元素不构成一个排它性的罗列,方法或者设备也可能包含其它的步骤或元素。
本说明书中使用了流程图用来说明根据本说明书的实施例的***所执行的操作。应当理解的是,前面或后面操作不一定按照顺序来精确地执行。相反,可以按照倒序或同时处理各个步骤。同时,也可以将其他操作添加到这些过程中,或从这些过程移除某一步或数步操作。
请参见图1至图3所示,本发明第一方面的技术方案提供了一种基于流量监测数据的供水管网流量预测方法,包括如下步骤:
步骤S100:基于实时流量数据和预设的预测值数组,确定第一目标样本数组;
具体地,获取至少一个流量监测设备在当前时间段的实时流量数据,并将实时流量数据按照时间先后进行排序,构建第一目标样本数组;进而根据需要预测的数据个数构建预测值数组,预测值数组中至少包括一个1预测数据,将预测值在第一目标样本数组后追加为空数据,由此得到第一目标样本数组,第一目标样本数组的数据类型为浮点型数据;
为提升数据质量及可靠性,步骤S100中还需要计算第一目标样本数组中有效数据的占比,计算公式为:
式中,第一目标样本数组中为有效数据的占比,/>为有效数据的个数,/>为需要预测数据的个数;其中,第一目标样本数组中有效数据的占比值优选大于80,本实施例中若第一目标样本数据中有效数据的占比值小于80,则需要将时间段向前或向后调整,还可减少预测值数组中预测数据的数量,以使得有效数据更多;
例如表1所示:
表1中记录了当前时间段采集到的12组有效数据以及需要预测的两组数据,构成了第一目标样本数组;从表1中可以看出,若初始需要从0开始计算,两组空数组即为需要进行预测的数据,其位置序号分别为12和13;
步骤S200:基于历史流量数据,获取与第一目标样本数组匹配的第一检测样本数组;
具体地,将历史流量数据按照时间先后进行排序,并从中截取与第一目标样本数组数量匹配的第一检测样本数组;如图2所示,图2中f1、f2、f3……f17、f18、f19为历史流量数据,data1、data2……data5、data6为截取出来的检测样本数据;例如,上述第一目标样本数组中数据的个数为14个,所以每次取14个数据,从第1位(序号为0)位置开始取数。
步骤S300:对第一目标样本数组、第一检测样本数组进行归一化处理,并根据归一化处理后的第一目标样本数组和第一检测样本数组计算余弦相似度值及残差平方和;
其中,归一化处理的表达式为:
式中,为归一化处理后的数据,/>为原始数据,/>为数组中的最小值,/>为数组中的最大值;
需要说明的是,在利用Min-Max归一化方法处理数据时,需要过滤掉预测值数组中预测数据对应位置序号的数据;即上述第一目标样本数组中的位置序号为12和13的空数据不参与归一化计算,如表2所示:
表2记录了第一目标样本数组归一化处理过程中的位置序号、最小值、最大值以及归一化后的数据;针对第一检测样本的归一化处理与第一目标样本数组的原理一致,在此不再进行赘述;
步骤S300中,对第一目标样本数组、第一检测样本数组进行归一化处理之后还包括:
步骤S310:根据预设倍数对归一化处理后的第一目标样本数组、第一检测样本数组进行放大取整;具体地,由于采用Min-Max归一化法处理的数据在[0,1]区间,传统的归一化将数据四舍五入后只得到0和1两个数据,导致两个数据并不能体现供水管网流量数据规律变化和波动的特征,所以步骤S310中优选将归一化后的数据放大100倍,并进行四舍五入取整,由此可以得到[0,100]区间的整数;更好地体现供水管网流量数据的规律变化和波动特征,提高了数据的表达能力;
步骤S320:根据第一目标样本数组、第一检测样本数组中数据的总数,构建第二目标样本数组、第二检测样本数组并将放大取整后的数据存储至第二目标样本数组、第二检测样本数组;
如表3所示:
表3中记录了归一化处理后的第一目标样本数组进行放大取整后得到数据;即将放大取整数据存储至第二目标样本数组中,第一检测样本数组放大取整的原理与第一目标样本数组一致,在此不在进行赘述;
步骤S400:根据余弦相似度值及残差平方和计算匹配差异得分,获取匹配差异得分的最小值及其位置序号;
步骤S400中,计算余弦相似度值的表达式为:
计算残差平方和的表达式为:
式中,表示归一化后的第一目标样本数组,/>表示归一化后的第一检测样本数组,/>表示第一目标样本数组中的第/>个数据,/>表示第一检测样本数组中的第/>个数据,/>表示数据的数量;需要说明的是,归一化后的第一目标样本数组/>、归一化后的第一检测样本数组/>还可是经过上述取整放大后的第二目标样本数组和第二检测样本数组;同样的,在计算余弦相似度和残差平方和的过程中,预测值数组中预测数据对应位置序号的数据,即上述第一目标样本数组中的位置序号为12和13的空数据不参与余弦相似度和残差平方和的计算;
步骤S400中,根据余弦相似度值及残差平方和计算匹配差异得分,获取匹配差异得分的最小值及其位置序号具体包括:
步骤S410:根据历史流量数据个数和第一目标样本数组中数据的个数获取匹配差异得分数据的个数,并构建匹配差异得分数组,将计算得到的匹配差异得分存入匹配差异得分数组;具体地,匹配差异得分数据的个数=历史流量数据个数-第一目标样本数组数据个数;匹配差异得分越低,则表示差异越小,匹配度越高;匹配差异得分越高,则表示差异越大,匹配度越低;
其中,计算匹配差异得分的表达式为:
式中,表示匹配差异得分值,/>表示余弦相似度值,表示残差平方和的值;
步骤S420:从匹配差异得分数组中读取匹配差异得分的最小值以及匹配差异得分最小值的位置序号;通过计算余弦相似度值和残差平方和,并综合考虑二者得到匹配差异得分,能够更全面地评估目标数据与历史数据的匹配情况,提高了匹配的准确性;
步骤S500:根据匹配差异得分最小值的位置序号从历史流量数据中读取匹配样本数组,从匹配样本数组中提取结果样本数组,得到目标样本的预测数据值;
步骤S500具体包括:
步骤S510:计算归一化处理后的第一目标样本数组的平均值以及匹配样本数组的平均值,其中匹配样本数组的数据数量与归一化处理后的第一目标样本数组匹配;
步骤S520:根据归一化处理后第一目标样本数组的平均值以及匹配样本数组的平均值,计算第一目标样本数组与匹配样本数组之间的平均值倍率;表3中数据求和为582,数据数量为12个,平均值则为582/12=48.5000;平均至优选保留2位小数,即可得到第一目标样本数组48.50的平均值;同理,匹配样本数组平均值采用同样的计算方式,计算过程中与空数据的位置同样不参与平均值计算和数据数量统计,在此不进行赘述;
计算第一目标样本数组与匹配样本数组之间的平均值倍率可表示为:
式中,表示第一目标样本数组与匹配样本数据之间的平均值倍率,/>表示第一目标样本的平均值,/>表示匹配样本数据的平均值;通过计算平均值倍率,能够根据历史流量数据中的匹配样本数组来对预测值进行调整,这样可以更好地考虑历史数据中的变化趋势和特点,进一步提高预测结果的准确性和可靠性;
步骤S520:根据平均值倍率计算结果样本数组,从结果样本数组中获取与预测值数组相同位置序号的数据,得到目标样本预测数据值;
具体地,通过将匹配样本数据中每个数据依次乘以平均值倍率,得到结果样本数组,即可根据预测值数组中空数据的位置序号,从结果样本数组中获取同样位置序号的数据,即为预测数据值;需要说明的是,若预测值数组中有多个需要进行预测的数据的位置序号,则需要遍历取得多个预测数据值。
综上所述,本申请提供的基于流量监测数据的供水管网流量预测方法,能够根据供水管网流量一年四季(春夏秋冬)交替、白天和夜晚交替、一天中各餐点时间和洗漱时间的变化规律数据,从历史流量数据中根据规律去预测流量数据;实现了从历史流量数据中根据规律进行流量数据的预测;通过实时流量数据和预设的预测值数组构造第一目标样本数组,再从历史流量数据中构造第一检测样本数组,将第一目标样本数组和第一检测样本数组采用同样的方法归一化到同样的数值区间,然后通过计算余弦相似度和残差平方和,利用匹配差异得分获取匹配样本数据,最终取得预测数据值;一方面结合了实时流量数据和历史流量数据,充分利用了历史流量数据中的规律信息;另一方面通过匹配差异得分来选择最佳的匹配样本数组,进而提高了流量预测的准确度,更符合供水管网的客观规律。
请参见图4所示,本发明第二方面的技术方案提供了一种基于流量监测数据的供水管网流量预测***,包括本申请第一方面技术方案中任一项所述的基于流量监测数据的供水管网流量预测方法,该***包括:
数据采集模块,配置为获取实时流量数据和历史流量数据;
数组构建模块,配置为基于实时流量数据和预设的预测值数组,确定第一目标样本数组,基于历史流量数据,获取与第一目标样本数组匹配的第一检测样本数组;
预处理模块,配置为对第一目标样本数组、第一检测样本数组进行归一化处理;
处理模块,配置为根据归一化处理后的第一目标样本数组、第一检测样本数组计算余弦相似度、残差平方以及匹配差异得分;
流量预测模块,配置为根据匹配差异得分最小值的位置序号从历史流量数据中读取匹配样本数组,从匹配样本数组中提取结果样本数组,得到目标样本的预测数据值。
上文已对基本概念做了描述,显然,对于本领域技术人员来说,上述详细披露仅仅作为示例,而并不构成对本说明书的限定。虽然此处并没有明确说明,本领域技术人员可能会对本说明书进行各种修改、改进和修正。该类修改、改进和修正在本说明书中被建议,所以该类修改、改进、修正仍属于本说明书示范实施例的精神和范围。
同时,本说明书使用了特定词语来描述本说明书的实施例。如“一个实施例”、“一实施例”、和/或“一些实施例”意指与本说明书至少一个实施例相关的某一特征、结构或特点。因此,应强调并注意的是,本说明书中在不同位置两次或多次提及的“一实施例”或“一个实施例”或“一个替代性实施例”并不一定是指同一实施例。此外,本说明书的一个或多个实施例中的某些特征、结构或特点可以进行适当的组合。
此外,除非权利要求中明确说明,本说明书所述处理元素和序列的顺序、数字字母的使用、或其他名称的使用,并非用于限定本说明书流程和方法的顺序。尽管上述披露中通过各种示例讨论了一些目前认为有用的发明实施例,但应当理解的是,该类细节仅起到说明的目的,附加的权利要求并不仅限于披露的实施例,相反,权利要求旨在覆盖所有符合本说明书实施例实质和范围的修正和等价组合。例如,虽然以上所描述的***组件可以通过硬件设备实现,但是也可以只通过软件的解决方案得以实现,如在现有的服务器或移动设备上安装所描述的***。
同理,应当注意的是,为了简化本说明书披露的表述,从而帮助对一个或多个发明实施例的理解,前文对本说明书实施例的描述中,有时会将多种特征归并至一个实施例、附图或对其的描述中。但是,这种披露方法并不意味着本说明书对象所需要的特征比权利要求中提及的特征多。实际上,实施例的特征要少于上述披露的单个实施例的全部特征。
最后,应当理解的是,本说明书中所述实施例仅用以说明本说明书实施例的原则。其他的变形也可能属于本说明书的范围。因此,作为示例而非限制,本说明书实施例的替代配置可视为与本说明书的教导一致。相应地,本说明书的实施例不仅限于本说明书明确介绍和描述的实施例。
Claims (8)
1.基于流量监测数据的供水管网流量预测方法,其特征在于,包括如下步骤:
基于实时流量数据和预设的预测值数组,确定第一目标样本数组;
基于历史流量数据,获取与第一目标样本数组匹配的第一检测样本数组;
对第一目标样本数组、第一检测样本数组进行归一化处理,并根据归一化处理后的第一目标样本数组和第一检测样本数组计算余弦相似度值及残差平方和;
根据余弦相似度值及残差平方和计算匹配差异得分,获取匹配差异得分的最小值及其位置序号,包括:
根据历史流量数据个数和第一目标样本数组中数据的个数获取匹配差异得分数据的个数,并构建匹配差异得分数组,将计算得到的匹配差异得分存入匹配差异得分数组,其中,计算匹配差异得分的表达式为:
式中,表示匹配差异得分值,/>表示余弦相似度值,表示残差平方和的值;
从匹配差异得分数组中读取匹配差异得分的最小值以及匹配差异得分最小值的位置序号;
根据匹配差异得分最小值的位置序号从历史流量数据中读取匹配样本数组,从匹配样本数组中提取结果样本数组,得到目标样本的预测数据值。
2.根据权利要求1所述的基于流量监测数据的供水管网流量预测方法,其特征在于,归一化处理的表达式为:
式中,为归一化处理后的数据,/>为原始数据,/>为数组中的最小值,/>为数组中的最大值。
3.根据权利要求2所述的基于流量监测数据的供水管网流量预测方法,其特征在于,对第一目标样本数组、第一检测样本数组进行归一化处理之后还包括:
根据预设倍数对归一化处理后的第一目标样本数组、第一检测样本数组进行放大取整;
根据第一目标样本数组、第一检测样本数组中数据的总数,构建第二目标样本数组、第二检测样本数组并将放大取整后的数据存储至第二目标样本数组、第二检测样本数组。
4.根据权利要求1所述的基于流量监测数据的供水管网流量预测方法,其特征在于,计算余弦相似度值的表达式为:
计算残差平方和的表达式为:
式中,表示归一化后的第一目标样本数组,/>表示归一化后的第一检测样本数组,/>表示第一目标样本数组中的第/>个数据,/>表示第一检测样本数组中的第/>个数据,/>表示数据的数量。
5.根据权利要求1至4任一项所述的基于流量监测数据的供水管网流量预测方法,其特征在于,从匹配样本数组中提取结果样本数组,得到目标样本的预测数据值包括:
计算归一化处理后的第一目标样本数组的平均值以及匹配样本数组的平均值,其中匹配样本数组的数据数量与归一化处理后的第一目标样本数组匹配;
根据归一化处理后第一目标样本数组的平均值以及匹配样本数组的平均值,计算第一目标样本数组与匹配样本数组之间的平均值倍率。
6.根据权利要求5所述的基于流量监测数据的供水管网流量预测方法,其特征在于,从匹配样本数组中提取结果样本数组,得到目标样本的预测数据值还包括:
根据平均值倍率计算结果样本数组,从结果样本数组中获取与预测值数组相同位置序号的数据,得到目标样本预测数据值。
7.根据权利要求6所述的基于流量监测数据的供水管网流量预测方法,其特征在于,根据平均值倍率计算结果样本数组包括:
将匹配样本数据中每个数据依次乘以平均值倍率,得到结果样本数组。
8.基于流量监测数据的供水管网流量预测***,其特征在于,包括权利要求1-7任一项所述的基于流量监测数据的供水管网流量预测方法,该***包括:
数据采集模块,配置为获取实时流量数据和历史流量数据;
数组构建模块,配置为基于实时流量数据和预设的预测值数组,确定第一目标样本数组,基于历史流量数据,获取与第一目标样本数组匹配的第一检测样本数组;
预处理模块,配置为对第一目标样本数组、第一检测样本数组进行归一化处理;
处理模块,配置为根据归一化处理后的第一目标样本数组、第一检测样本数组计算余弦相似度、残差平方以及匹配差异得分;
流量预测模块,配置为根据匹配差异得分最小值的位置序号从历史流量数据中读取匹配样本数组,从匹配样本数组中提取结果样本数组,得到目标样本的预测数据值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311825535.8A CN117490002B (zh) | 2023-12-28 | 2023-12-28 | 基于流量监测数据的供水管网流量预测方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311825535.8A CN117490002B (zh) | 2023-12-28 | 2023-12-28 | 基于流量监测数据的供水管网流量预测方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117490002A CN117490002A (zh) | 2024-02-02 |
CN117490002B true CN117490002B (zh) | 2024-03-08 |
Family
ID=89667591
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311825535.8A Active CN117490002B (zh) | 2023-12-28 | 2023-12-28 | 基于流量监测数据的供水管网流量预测方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117490002B (zh) |
Citations (25)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5684920A (en) * | 1994-03-17 | 1997-11-04 | Nippon Telegraph And Telephone | Acoustic signal transform coding method and decoding method having a high efficiency envelope flattening method therein |
WO1998020457A1 (fr) * | 1996-11-07 | 1998-05-14 | Thomson Multimedia | Procede et dispositif de prediction compensee en mouvement |
JP2003279392A (ja) * | 2002-03-25 | 2003-10-02 | Susumu Hirowatari | 圧力管路または管網で生じた異常流量の発生位置を推定する方法 |
TWI226989B (en) * | 2001-10-26 | 2005-01-21 | Gofaser Technology Co Ltd | Method using gray modeling and fourier residual correction to analyze stock trend forecast |
JP2009014629A (ja) * | 2007-07-06 | 2009-01-22 | Topcon Corp | 位置計測装置及び位置計測方法 |
JP2009087315A (ja) * | 2007-09-11 | 2009-04-23 | Sumitomo Electric Ind Ltd | 電子ポテンシャル演算装置、電子ポテンシャル演算方法、電子ポテンシャル演算プログラム、及び物性予測値演算装置 |
JP2014056598A (ja) * | 2013-11-14 | 2014-03-27 | Hitachi Ltd | 異常検知方法及びそのシステム |
JP2018050320A (ja) * | 2017-11-07 | 2018-03-29 | 株式会社Nttドコモ | 動画像予測復号方法 |
CN108051035A (zh) * | 2017-10-24 | 2018-05-18 | 清华大学 | 基于门控循环单元的神经网络模型的管网漏损识别方法 |
CN108388685A (zh) * | 2017-12-28 | 2018-08-10 | 中国石油天然气股份有限公司 | 油气管道内漏流量的预测方法及装置 |
CN108429912A (zh) * | 2011-01-12 | 2018-08-21 | 株式会社Ntt都科摩 | 图像预测编码装置及方法、图像预测解码装置及方法 |
CN108737836A (zh) * | 2018-06-13 | 2018-11-02 | 北京奇艺世纪科技有限公司 | 一种帧间预测编码方法、装置及电子设备 |
CN109949200A (zh) * | 2019-03-11 | 2019-06-28 | 河南工业大学 | 基于滤波器子集选择和cnn的隐写分析框架构建方法 |
WO2021072890A1 (zh) * | 2019-10-18 | 2021-04-22 | 平安科技(深圳)有限公司 | 基于模型的流量异常监测方法、装置、设备及存储介质 |
CN112801342A (zh) * | 2020-12-31 | 2021-05-14 | 国电大渡河流域水电开发有限公司 | 一种基于降雨径流相似性的自适应径流预报方法 |
WO2021207491A1 (en) * | 2020-04-10 | 2021-10-14 | General Electric Company | Systems and methods for automatic defect recognition |
CN113536606A (zh) * | 2021-09-15 | 2021-10-22 | 成都同飞科技有限责任公司 | 一种水体水质变化检测方法及***、存储介质和装置 |
CN114091758A (zh) * | 2021-11-23 | 2022-02-25 | 四川信天启智能技术有限公司 | 一种中短期负荷预测方法、***以及存储介质 |
CN115239546A (zh) * | 2022-07-18 | 2022-10-25 | 华中科技大学 | 一种基于非易失存储器的前向梯度回归加速器及操作方法 |
CN115766383A (zh) * | 2022-10-25 | 2023-03-07 | 华电电力科学研究院有限公司 | 一种基于算法融合技术的设备状态评估预警方法和*** |
CN116206367A (zh) * | 2023-02-28 | 2023-06-02 | 网易(杭州)网络有限公司 | 预测手势的方法、装置、电子设备及存储介质 |
CN116467551A (zh) * | 2023-06-20 | 2023-07-21 | 成都同飞科技有限责任公司 | 一种基于相关系数的供水管网漏损定位方法及*** |
CN116566842A (zh) * | 2023-05-25 | 2023-08-08 | 大连海事大学 | 一种基于集中式的云边协同无线通信流量预测方法 |
CN116862076A (zh) * | 2023-08-23 | 2023-10-10 | 无锡航征科技有限公司 | 一种排水管网流量预测方法、装置及存储介质 |
CN116916036A (zh) * | 2023-07-19 | 2023-10-20 | 中移在线服务有限公司 | 视频压缩方法、装置及*** |
Family Cites Families (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7539597B2 (en) * | 2001-04-10 | 2009-05-26 | Smartsignal Corporation | Diagnostic systems and methods for predictive condition monitoring |
US20070140351A1 (en) * | 2005-12-15 | 2007-06-21 | Hsieh-Chang Ho | Interpolation unit for performing half pixel motion estimation and method thereof |
JP5501903B2 (ja) * | 2010-09-07 | 2014-05-28 | 株式会社日立製作所 | 異常検知方法及びそのシステム |
JP6088177B2 (ja) * | 2011-09-02 | 2017-03-01 | 株式会社 資生堂 | 解析装置、解析方法、プログラム |
CN103975594B (zh) * | 2011-12-01 | 2017-08-15 | 英特尔公司 | 用于残差预测的运动估计方法 |
GB2532734B (en) * | 2014-11-25 | 2017-02-08 | Cognitive Geology Ltd | Apparatus and method for making geological predictions by processing geological parameter measurements |
EP3267173B1 (en) * | 2016-07-08 | 2021-10-06 | SUEZ Groupe | Improved method and system for estimating water flows at the boundaries of a sub-network of a water distribution network |
CN115427769A (zh) * | 2020-02-26 | 2022-12-02 | 供液有限公司 | 大致水平管道中的流动固体物质的流量估算 |
KR20230100140A (ko) * | 2021-12-28 | 2023-07-05 | 삼성전자주식회사 | 대상 성분 추정 장치 및 방법 |
-
2023
- 2023-12-28 CN CN202311825535.8A patent/CN117490002B/zh active Active
Patent Citations (25)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5684920A (en) * | 1994-03-17 | 1997-11-04 | Nippon Telegraph And Telephone | Acoustic signal transform coding method and decoding method having a high efficiency envelope flattening method therein |
WO1998020457A1 (fr) * | 1996-11-07 | 1998-05-14 | Thomson Multimedia | Procede et dispositif de prediction compensee en mouvement |
TWI226989B (en) * | 2001-10-26 | 2005-01-21 | Gofaser Technology Co Ltd | Method using gray modeling and fourier residual correction to analyze stock trend forecast |
JP2003279392A (ja) * | 2002-03-25 | 2003-10-02 | Susumu Hirowatari | 圧力管路または管網で生じた異常流量の発生位置を推定する方法 |
JP2009014629A (ja) * | 2007-07-06 | 2009-01-22 | Topcon Corp | 位置計測装置及び位置計測方法 |
JP2009087315A (ja) * | 2007-09-11 | 2009-04-23 | Sumitomo Electric Ind Ltd | 電子ポテンシャル演算装置、電子ポテンシャル演算方法、電子ポテンシャル演算プログラム、及び物性予測値演算装置 |
CN108429912A (zh) * | 2011-01-12 | 2018-08-21 | 株式会社Ntt都科摩 | 图像预测编码装置及方法、图像预测解码装置及方法 |
JP2014056598A (ja) * | 2013-11-14 | 2014-03-27 | Hitachi Ltd | 異常検知方法及びそのシステム |
CN108051035A (zh) * | 2017-10-24 | 2018-05-18 | 清华大学 | 基于门控循环单元的神经网络模型的管网漏损识别方法 |
JP2018050320A (ja) * | 2017-11-07 | 2018-03-29 | 株式会社Nttドコモ | 動画像予測復号方法 |
CN108388685A (zh) * | 2017-12-28 | 2018-08-10 | 中国石油天然气股份有限公司 | 油气管道内漏流量的预测方法及装置 |
CN108737836A (zh) * | 2018-06-13 | 2018-11-02 | 北京奇艺世纪科技有限公司 | 一种帧间预测编码方法、装置及电子设备 |
CN109949200A (zh) * | 2019-03-11 | 2019-06-28 | 河南工业大学 | 基于滤波器子集选择和cnn的隐写分析框架构建方法 |
WO2021072890A1 (zh) * | 2019-10-18 | 2021-04-22 | 平安科技(深圳)有限公司 | 基于模型的流量异常监测方法、装置、设备及存储介质 |
WO2021207491A1 (en) * | 2020-04-10 | 2021-10-14 | General Electric Company | Systems and methods for automatic defect recognition |
CN112801342A (zh) * | 2020-12-31 | 2021-05-14 | 国电大渡河流域水电开发有限公司 | 一种基于降雨径流相似性的自适应径流预报方法 |
CN113536606A (zh) * | 2021-09-15 | 2021-10-22 | 成都同飞科技有限责任公司 | 一种水体水质变化检测方法及***、存储介质和装置 |
CN114091758A (zh) * | 2021-11-23 | 2022-02-25 | 四川信天启智能技术有限公司 | 一种中短期负荷预测方法、***以及存储介质 |
CN115239546A (zh) * | 2022-07-18 | 2022-10-25 | 华中科技大学 | 一种基于非易失存储器的前向梯度回归加速器及操作方法 |
CN115766383A (zh) * | 2022-10-25 | 2023-03-07 | 华电电力科学研究院有限公司 | 一种基于算法融合技术的设备状态评估预警方法和*** |
CN116206367A (zh) * | 2023-02-28 | 2023-06-02 | 网易(杭州)网络有限公司 | 预测手势的方法、装置、电子设备及存储介质 |
CN116566842A (zh) * | 2023-05-25 | 2023-08-08 | 大连海事大学 | 一种基于集中式的云边协同无线通信流量预测方法 |
CN116467551A (zh) * | 2023-06-20 | 2023-07-21 | 成都同飞科技有限责任公司 | 一种基于相关系数的供水管网漏损定位方法及*** |
CN116916036A (zh) * | 2023-07-19 | 2023-10-20 | 中移在线服务有限公司 | 视频压缩方法、装置及*** |
CN116862076A (zh) * | 2023-08-23 | 2023-10-10 | 无锡航征科技有限公司 | 一种排水管网流量预测方法、装置及存储介质 |
Non-Patent Citations (5)
Title |
---|
LIU H ; LI L ; LV C ; MA J.Working condition recognition and similarity matching based aero-engine overall residual life prediction method, involves obtaining degradation performance, obtaining weighting similarity distance to predict remaining life of engine.2016,全文. * |
王博 ; 吴智群 ; .电站风机故障智能预警技术的应用研究.热能动力工程.2017,(第10期),全文. * |
蔡瑞 ; 王萍 ; .涡街流量计信号的数字滤波处理.可编程控制器与工厂自动化.2008,(第11期),全文. * |
邓杰航 ; 吴昌政 ; 梁鸿津 ; 顾国生 ; 翁韶伟 ; .基于参数优化残差网络的皮革缺陷分类.科学技术与工程.2020,(第08期),全文. * |
郑黎明 ; 贾科 ; 毕天姝 ; 任龙飞 ; 杨哲 ; .基于结构相似度与平方误差的新能源场站送出线路纵联保护综合判据.电网技术.2019,(第05期),全文. * |
Also Published As
Publication number | Publication date |
---|---|
CN117490002A (zh) | 2024-02-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111445060B (zh) | 一种社区碳排放监测和预测***及方法 | |
CN103135009B (zh) | 基于使用者回馈信息的电器侦测方法与*** | |
CN110889085A (zh) | 基于复杂网络多元在线回归的废水智能监控方法及*** | |
CN110570030A (zh) | 基于深度学习的风电集群功率区间预测的方法及*** | |
CN113556629B (zh) | 一种智能电表误差远程估计方法及装置 | |
CN111639823A (zh) | 一种基于特征集构建的建筑冷热负荷预测方法 | |
CN108643281A (zh) | 人工智能管理下的智能水务*** | |
CN113869616A (zh) | 一种自适应的居民用户负荷预测方法 | |
CN113790516B (zh) | 中央空调制冷站全局优化节能控制方法、***和电子设备 | |
CN117490002B (zh) | 基于流量监测数据的供水管网流量预测方法及*** | |
CN113568311B (zh) | 基于知识信息的污水处理智能优化控制方法 | |
CN116992385B (zh) | 一种物联网水表用量异常检测方法及*** | |
CN109214610A (zh) | 一种基于长短期记忆神经网络的饱和电力负荷预测方法 | |
CN116070881B (zh) | 一种现代工业产区智能能耗调度方法及装置 | |
CN117034762A (zh) | 一种基于多算法加权和的复合模型锂电池寿命预测方法 | |
CN117078047A (zh) | 一种基于lstm的热负荷预测与分配优化方法及*** | |
CN116128154A (zh) | 一种农业园区综合能源***的能源优化配置方法及装置 | |
CN115511230A (zh) | 一种电能替代潜力分析预测方法 | |
CN102013050A (zh) | 一种污水流量变化模式辨识的mcmc方法 | |
CN114912744A (zh) | 一种村镇污水处理设施优选评价方法 | |
CN111859783B (zh) | 水压预测方法、***、存储介质、设备、城市供水*** | |
CN114444760A (zh) | 一种基于模式提取和误差调整的行业用户电量预测方法 | |
CN111797924A (zh) | 一种基于聚类算法的三维度园区画像方法及*** | |
CN117421558B (zh) | 一种梯级水库运行规则提取及其模型训练方法 | |
CN116319262B (zh) | 一种电能计量装置通信故障数据检测模型 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |