[发明专利]一种基于GRU神经网络的居民用水预测系统及预测方法

说明书

本发明公开了一种基于GRU神经网络的居民用水预测系统及预测方法，该方法包括：构建预测模型模块，用于构建两层GRU的居民日用水量预测模型；训练预测模型模块，用于采集居民日用水量、天气类型，最高最低气温以及工作日类型这些影响因素，并将与这些影响因素相对应的特征向量输入到两层GRU网络中实现居民日用水量预测模型的训练；测试预测模型模块，用于将与这些影响因素相对应的特征向量作为测试数据，输入到训练好的居民日用水量预测模型中，预测出居民日用水量；根据预测进行供水量管理模块，用于根据预测进行居民日供水量的管理。本发明能够及时准确的根据预测进行居民日供水量管理，达到提前预警采取应对措施，保障居民正常用水。

技术领域

本发明属于居民用水预测方法技术领域，具体涉及一种基于GRU神经网络的居民用水预测系统，还涉及一种基于GRU神经网络的居民用水预测方法。

背景技术

伴随社会的飞速发展，居民的用水需求不断增长，居民用水预测是供水部门保障供水、科学调度的基础。在最近的几十年内，许多国家和城市都因出现过缺水问题而积极展开对居民用水预测的方法及系统研究。

传统的居民用水预测以年、月为时间尺度的，无法为每日的供水调度提供依据；而居民日用水量具有非线性、非平稳性的特点，居民日用水量预测可以视为一种时间序列预测的经典应用，它会受到温度、降雨、工作日等因素的影响。随着计算机技术快速发展及对用水量预测准确度要求的提高，精度较低的传统统计学预测方法已经逐渐被人工神经网络取代，深度学习模型渐渐成为了预测问题最广泛使用的研究方法。其中递归神经网络(RNN)是一种有效处理顺序数据的深度神经网络，是时间序列预测最常用的工具。但是，当处理较长的数据序列时，RNN很容易受到梯度消失或梯度爆炸的困扰，从而使得训练无法将梯度传播下去。LSTM模型是一种改进后的RNN模型的，它在RNN模型的基础上加入细胞控制机制来解决RNN的长期依赖问题，以及时间序列过长易导致的梯度爆炸问题，能够记住长时间间隔的历史数据信息，但由于模型训练时长，不能及时用于居民日用水预测中。

发明内容

本发明的目的在于提供一种基于GRU神经网络的居民用水预测方法，可及时提供居民日用水预测、用水阶梯水价提示提供服务，同时，通过对某区域内所有用户的日用水量预测，可为供水企业区域供水微观调度提供辅助决策依据，从而降低供水能耗，保障居民的正常用水。

本发明的目的还在于提供一种基于GRU神经网络的居民用水预测系统。

本发明所采用的第一种技术方案是：一种基于GRU神经网络的居民用水预测系统，包括构建预测模型模块，训练预测模型模块、测试预测模型模块以及供水量管理模块；

构建预测模型模块，用于构建两层GRU的居民日用水量预测模型；

训练预测模型模块，用于采集居民日用水量、天气类型，最高最低气温以及工作日类型这些影响因素，并将与这些影响因素的信息转换为特征向量，将特征向量输入到两层GRU网络中实现居民日用水量预测模型的训练；

测试预测模型模块，用于将与上述影响因素相对应的信息转换为特征向量，将特征向量作为测试数据，输入到训练好的居民日用水量预测模型中；预测出居民日用水量；

供水量管理模块用于根据预测居民日用水量进行供水量的管理。

本发明所采用的第二种技术方案是：一种基于GRU神经网络的居民用水预测方法，具体操作步骤如下：

步骤1.构建两层GRU神经网络的居民日用水量预测模型；

步骤2.采集居民日用水量、天气类型，最高最低气温以及工作日类型这些影响因素，并将与这些影响因素的信息转换为特征向量，将特征向量输入到两层GRU神经网络中实现居民日用水量预测模型的训练；

步骤3.将测试数据输入到训练好的居民日用水量预测模型中，预测出居民日用水量。

本发明的特点还在于，