[发明专利]一种基于机器学习的智慧水务日用水量预测方法

说明书

本发明涉及机器学习中的大数据处理技术领域，具体涉及一种基于机器学习的智慧水务日用水量预测方法，包括：获取日期、气候数据和历史用水量数据，预处理；将预处理后的历史用水量数据输入TCN预测模型提取混沌信息和隐藏特征进行预测，得到TCN预测结果；通过日期和气候数据对TCN预测结果进行矫正，将日期、气候数据和TCN预测结果一同作为特征输入机器学习模型中进行训练和预测，得到矫正后的下一天用水量预测结果。本发明将机器学习与城市日需水量预测相结合，可以准确预测城市日需水量。

技术领域

本发明涉及机器学习中的大数据处理技术领域，具体涉及一种基于机器学习的智慧水务日用水量预测方法。

背景技术

随着世界人口的增长、气候变暖和城市规模的扩大，城市对水资源的需求日益增加。许多国家都面临着水资源短缺的问题，因此对水资源进行合理的规划和管理显得尤为重要。实现这一目标的前提是进行可靠的每日用水需求预测。日需水量预测在城市建设规划、配水系统优化调度中具有重要作用。此外，它可以帮助城市规划者更好地决定如何有效地分配水资源。日用水量取决于多种因素，如日期，气候、社会因素等。随着更严重的全球变暖的到来，气候因素变得越来越重要。随着人们生活水平的提高和人口流动性的加快，水需求也随着时间的变化而波动。传统的时间序列分析方法以日需水量时间序列作为模型的输入，只考虑日需水量波动的非平稳、非线性特征，预测精度仅依赖历史数据。因此，数据的质量往往决定了模型预测的准确性。

由于日用水量与外界因素息息相关，所以当前的模型普遍会存在以下一些技术问题：1.随着城市规模越来越大,需水量增长,影响城市需水量的因素复杂多变,建立城市需水量确定性和不确定性变量非常困难。2.如何合理的从城市日需水时间序列中提取出混沌特征。3.没有对城市日需水和它的影响因素系统的做特征工程。4.模型单一。没有对模型优化。

发明内容

为了解决上述问题，本发明提供一种基于机器学习的智慧水务日用水量预测方法。

一种基于机器学习的智慧水务日用水量预测方法，包括以下步骤：

S1、获取日期、气候数据和历史用水量数据，对数据进行预处理，得到预处理后的日期、气候数据和历史用水量数据；

S2、将预处理后的历史用水量数据输入时间卷积神经网络TCN预测模型提取城市日用水时间序列中的混沌信息和隐藏特征，并根据混沌信息和隐藏特征进行预测，得到TCN预测结果，即基于历史用水量数据的下一天用水量预测结果；

S3、通过日期和气候数据对TCN预测结果进行矫正：将TCN预测结果与日期、气候数据一同作为特征输入机器学习模型中进行再次训练，得到矫正后的下一天用水量预测结果。

进一步的，所述预处理包括：异常值处理：重新赋值/均值填充；

缺失值处理：均值插入/线性插值处理；

非数值数据处理：one-hot离散处理；

数值数据处理：归一化处理，归一化表达式如下：

其中，x′表示归一化之后的数据，σ表示数值型数据的标准差，表示数值型数据的平均值。

进一步的，TCN预测模型采用时间卷积神经网络，TCN预测模型的结构包括输入层、4个隐藏层、输出层，各个隐藏层之间采用残差连接，每一个隐藏层中包含两个一维扩张因果卷积和一个1*1卷积。

进一步的，TCN预测模型的具体结构包括：使用一维因果卷积和扩张卷积作为标准卷积层，将每两个标准卷积层恒等映射封装为一个残差模块，由残差模块堆叠起深度网络，在最后几层使用全卷积层代替全连接层；最后一层为输出层，输出层用于将隐藏层最后一个维度的输出做一个线性回归，输出结果。

进一步的，TCN预测模型的中间处理过程包括：