[发明专利]基于LSTM的城市瞬时用水量预测方法

说明书

本发明公开了基于LSTM的城市瞬时用水量预测方法，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。本发明采用波动率相近的城市用水量数据集参与LSTM训练，能够解决历史城市用水量预测算法精度低的缺陷，并能很好地解决算法收敛慢的问题。

技术领域

本发明属于城市用水量预测技术领域，具体涉及基于LSTM的城市瞬时用水量预测方法。

背景技术

随着社会和经济的不断发展，城市用水需求不断上升，但可供水量却非常有限。为了解决这一突出矛盾，就必须对当地的水资源利用情况进行分析和预测，以便对当地的水资源和水利工程进行长远的统一规划和管理。常用的城市用水量预测方法分为直观预测法、时间序列预测法和模拟模型预测法三大类。直观预测法是一种定性预测，指依靠人的直观判断能力对未来用水状况进行判断的方法，具有一定的主观性。时间序列预测方法仅依赖于历史观测数据来预测未来的用水量，没有充分考虑各个显著影响因素。而模拟模型预测法，则可以克服前两种预测方法的局限性，比如基于神经网络的预测建模方法。该方法能够方便、灵活地进行城市用水量的预测，因此具有一定的实用价值。

影响城市用水量的因素众多，并存在大量的不可预测性和非统计性，加大了水量预测的难度。城市用水量预测属于非线性系统，神经网络在这方面显示出明显的优越性。目前神经网络大多采用BP算法来训练，它的最大的缺点是易于陷入局部极值并需要较长的训练时间。

发明内容

本发明的目的在于提供基于LSTM的城市瞬时用水量预测方法，解决了现有城市用水量预测采用的神经网络大多采用BP算法，易于陷入局部极值并需要较长的训练时间的问题。

本发明所采用的技术方案是：基于LSTM的城市瞬时用水量预测方法，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。

本发明的特点还在于，

基于LSTM的城市瞬时用水量预测方法，具体操作步骤如下：

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。

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。

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,…,n])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。

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。

步骤4具体如下：