[发明专利]一种基于SSA-ConvLSTM-LSTM混合模型的短期校园需水预测方法

权利要求书

1.一种基于SSA-ConvLSTM-LSTM混合模型的短期校园需水预测方法，其特征在于：首先，通过园区用水在时间维度上具备多周期和多峰值特征发明一种混合模型来感知多周期和多峰值特征；其次，对需要优化的混合模型部分参数应用麻雀优化算法进行优化，得到最优的参数组合；最后，确定根据混合模型的预测1天和3天的需水量制定校园供水方案。

2.根据权利要求1所述的方法，进一步地，按天收集河北工程大学能耗系统的用水数据，然后收集相同时间段的在校人数、气象因素和节假日等信息。

3.根据权利要求2所述的方法，对采集到的所有历史信息进行清除异常值、补充缺失值和皮尔逊相关系数分析后进行标准化和归一化。

4.根据权利要求3所述的方法，筛选影响用水量的主控因子。在考虑多影响因子的情况下，为了减少不必要的影响因子输入模型，采用皮尔逊相关系数法从汇总的数据中分析出影响用水量的主控因子作为模型的输入，不但降低了模型的冗余性而且也能增强模型的预测性能。影响因子x与历史用水量y的皮尔逊相关系数为r_xy，x_i和y_i分别表示x和y集合中第i个元素，集合中元素个数为n，公式如下：

5.根据权利要求4所述的方法，将主控因子和用水量先标准化再归一化，使各类数据处于同一量级，从而提升模型拟合时的效率。公式如下：

x_scaled＝x_std*(x_max-x_min)+x_min

其中，x_std表示每一维输入数据x_i标准化后的值，x_scaled表示每一维输入数据x_i归一化后的值，x_min和x_max为每一维数据中的最小值和最大值。原始数据经过标准化和归一化处理后，将数据映射到了[0,1]之间。在混合模型训练完成得到预测结果后，还需要拼接原始数据进行反归一化和反标准化操作，再把混合模型的预测结果和真实值进行误差分析。实验表明经过数据预处理后的数据输入训练模型，提高了混合模型的平稳性和预测精度。

6.根据权利要求1所述的方法，混合模型构建。

7.根据权利要求6所述的方法，输入混合模型数据。将滑动窗口为K天的历史用水数据和主控因子调整为向量，步长为1，T表示第T天的用水相关数据，T+n表示T后的第n天的用水数据。根据混合模型单次预测1天需水量和单次预测3天需水量的任务不同调整K值，单次预测1天时，K＝6用前7天作为输入预测后1天；单次预测3天时，K＝20用前21天预测后3天，最后根据不同预测任务调整输入特征图的张量形状。

8.根据权利要求7所述的方法，通过控制变量法对混合模型中ConvLSTM模块和LSTM模块进行网络层数结构调整后，将输入特征图调整形状后输入模型。对SSA优化算法初始化。设种群麻雀总数共n只，搜索空间为d维，麻雀的空间位置信息可以抽象为n×d的矩阵。

9.根据权利要求8所述的方法，进行混合模型参数初始化。设置模型ConvLSTM的卷积核数(Fs)和LSTM的隐层元数(Hi)的常用参数集。初始化ConvLSTM-LSTM混合模型的批处理量、学习率函数等参数和SSA优化算法的种群数量、搜索空间、侦察者数量和适应度函数。进行ConvLSTM-LSTM混合模型训练。对ConvLSTM-LSTM混合模型进行训练，达到训练迭代次数或达到模型早停条件后返回拟合后的模型。把测试集输入拟合后的模型得到预测结果反馈给SSA优化算法。

10.根据权利要求9所述的方法，进行SSA自动化调参。定义均方绝对误差(MAE)、均方根误差(RMSE)的平均值作为适应度函数。将权利要求11所述方法的反馈送到适应度函数中进行计算，在满足迭代条件时输出需水量预测值。控制变量法调整ConvLSTM结构。根据SSA-ConvLSTM-LSTM混合模型的结构设计重新调整ConvLSTM-LSTM混合模型结构，在经验范围内记录最优模型结构和预测值。