[发明专利]基于LSTM的城市瞬时用水量预测方法

权利要求书

1.基于LSTM的城市瞬时用水量预测方法，其特征在于，首先以长短期记忆人工神经网络为基本回归算法建立预测机制，然后采集部分城市用水量机组实际正常运行数据作为训练样本，学习训练得到一个基于长短期记忆人工神经网络的LSTM预测模型，最后利用下一时段城市用水量作为预测的输入，得到LSTM预测模型输出的预测值。

2.根据权利要求1所述的基于LSTM的城市瞬时用水量预测方法，其特征在于，

步骤1：获取历史时刻的城市用水量数据；

步骤2：对城市用水量数据进行归一化处理，得到训练集；

步骤3：构建LSTM预测模型；

步骤4：根据训练集对构建的LSTM模型进行训练，得到城市用水量LSTM优化预测模型；

步骤5：通过训练后的LSTM优化预测模型对下一时刻城市用水量进行预测，以产生城市用水量预测结果。

3.根据权利要求1所述的基于LSTM的城市瞬时用水量预测方法，其特征在于，步骤1具体如下：

从水文站收集历史城市用水量的日流量数据，要求流量数据缺失率小于10％，否则放弃该日流量数据。

4.根据权利要求1所述的基于LSTM的城市瞬时用水量预测方法，其特征在于，步骤2具体如下：对城市用水量数据进行最大值归一化处理，即每个用水量数据除以其最大值；

其中，Fit_i(i∈[1,2,…,])为城市用水量数据中第i个采样数据，Fit_max为采样数据最大值；

将数据进行归一化处理，其中每三个连续时间点的数据值为一组训练集，预测下一个时间点数据值。

5.根据权利要求1所述的基于LSTM的城市瞬时用水量预测方法，其特征在于，步骤3所述LSTM预测模型的的神经网络由输入层、隐藏层和输出层实现，其中隐藏层存在6个神经元。

6.根据权利要求1所述的基于LSTM的城市瞬时用水量预测方法，其特征在于，步骤4具体如下：

基于LSTM预测模型中自定义参数，将步骤2准备好的训练集输入LSTM预测模型，根据公式(1)～(6)进行正向计算，通过LSTM优化器降低损失函数值并更新LSTM预测模型及LSTM优化器权重参数ω_f、ω_i、ω_c和ω_o，得到学习后的网络权重参数，完成对LSTM预测模型的优化训练，得到LSTM优化预测模型；

其中，正向计算的具体过程如下：

①利用上一时刻输出和当前时刻输入X_t，计算出输入门遗忘门和上一时刻记忆单元如式(1)～(3)：

②结合和更新当前记忆单元如式(4)：

③通过输出门将传递给当前时刻输出如式(5)～(6)：

其中，σ(·)、tanh(·)分别是Sigmoid函数和双曲正切函数；⊙表示两向量的标量积；ω_f、ω_i、ω_c、ω_o分别是输入门遗忘门上一时刻记忆单元和输出门的权重矩阵；b_f、b_i、b_c、b_o分别是输入门遗忘门上一时刻记忆单元和输出门的偏置向量。

7.根据权利要求4所述的基于LSTM的城市瞬时用水量预测方法，其特征在于，步骤5具体如下：

步骤5.1：选取近1月的城市用水量数据，按步骤2的方法，将数据进行归一化处理；

步骤5.2：将步骤5.1经归一化处理后的数据输入LSTM优化预测模型，得到输出值，输出值乘以步骤2归一化所用的最大值得到下一时间点城市用水量的预测值。