[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

说明书

本发明公开了一种基于SSA‑ConvLSTM‑LSTM混合模型的短期校园需水预测方法。该方法考虑到短期校园人工供水误差较大导致的水电资源浪费等问题，首先针对校园用水数据在时间维度上具备的多峰值和多周期特征，为增加模型对峰值和周期的空间感知能力，采用ConvLSTM挖掘数据中的时空特征，并在此基础上加入LSTM组成混合模型提升预测性能；其次为优化混合模型的隐层神经元数和卷积核数采用SSA优化算法进行自动调参工作，该方法不仅相对预测校园短期需水量，而且提高了校园水资源效益。

技术领域

本发明涉及一种基于SSA-ConvLSTM-LSTM混合模型的短期校园需水预测方法，属于园区水预测技术领域。

背景技术

随着高校园区水务数字化的不断发展，为响应国家对水务数字化、智能化技术建设要求，大多数园区水务平台正处于数字化面向智慧化的转型过程，在这个过程中需水预测模型将更精确地预判出短期园区需水量，园区需水预测模型将辅助人工做出更准确的供水和调水等管理。对于园区需水预测问题，小规模园区供水系统相对简单，所以依旧采用人工经验供水，但人工经验供水误差较大并不适合大规模园区供水。对于大规模工业园区和大规模高教园区需水预测管理，需水预测模型通常以服务的形式依托服务器算力和历史数据进行预测计算，并将预测的需水量信息配合水务系统的业务逻辑反馈给用户。

目前对于需水预测模型国内外研究人员已经取得一定的进展，需水预测模型通常利用历史用水数据和历史相关因子数据作为模型输入，通过训练、拟合得到目标模型，例如：刘洪波等利用人工神经网络建立了短期用水量预报模型，并证明该模型可以满足供水系统调度的实际需要；Antzoulatos等利用长短期神经记忆网络(Long-Short TermMemory,LSTM)学习隐藏在时间序列数据中的用水量模式预测城市未来18天的水消耗量；王坚引入模糊反馈法来改进熵值法，以确定组合模型的加权系数，建立组合神经网络预测模型，提高了网络模型在水资源需求预测方面的计算精度。目前针对园区需水预测研究只考虑了时间序列的研究，从而忽略了园区用水在3天、5天或7天等时间内呈现出的多周期和多峰值特征。本专利以3天、5天和7天等短周期为时间粒度，每个时间粒度上包含周期内每日用水量等相关信息，提出的SSA-ConvLSTM-LSTM混合模型具备对不同时间粒度上周期和峰值的感知能力和预测能力可以解决上述问题。

发明内容

本发明基于短期校园用水呈现多周期和多峰值特征，为增加模型对数据多周期和多峰值特征的感知能力和预测性能，采用空间卷积长短期神经记忆网络(ConvolutionalLSTM Network,ConvLSTM)和LSTM组成的混合模型对问题求解。鉴于混合模型参数多且具体层数结构调整比较繁琐，而麻雀搜索算法(Sparrow Search Algorithm,SSA)具有全局和局部寻优能力，适合多参数搜索工作，因而选用SSA对混合模型进行自动调参工作，通过预测值误差评估选择出最优混合模型结构。最后，为验证模型性能进行单次预测1天和3天需水量，通过评估需水预测模型，得出基于SSA-ConvLSTM-LSTM混合模型的短期校园需水预测方法，具有较好的预测准确性和鲁棒性。

附图说明

图1是本发明基于SSA-ConvLSTM-LSTM混合模型的短期需水预测方法的流程图；

图2是本发明预测模型输入的特征图；以及

图3是SSA-ConvLSTM-LSTM混合模型结构图。

具体实施方式

一种基于SSA-ConvLSTM-LSTM混合模型的短期需水预测方法，具体步骤如下：

(1)数据收集和影响校园用水量的主控因子分析

本发明所使用的数据来源于河北工程大学校园能耗系统2014年12月1日至2017年9月17日的用水数据，数据按天进行采集。同时从学生管理系统和气象网站收集相同时间段的在校人数、气象因素和节假日等信息，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。