[发明专利]基于时空图卷积网络的排水管网污水流量预测方法

权利要求书

1.一种基于时空图卷积网络的排水管网污水流量预测方法，其特征在于：包括如下步骤：

S1、获取排水管网的污水流量时空数据集，并对其进行预处理；

S2、将上述污水流量时空数据集划分为训练集、验证集和测试集；

S3、构建时空图卷积网络；

S4、将训练集和验证集输入网络进行训练；

S5、用训练得到的模型对测试集进行预测，得到未来时间点排水管网各分区排放口的污水流量预测值。

2.根据权利要求1所述的基于时空图卷积网络的排水管网污水流量预测方法，其特征在于，所述步骤S1中污水流量时空数据集的预处理包括：

统计整理排水管网不同排放口监测站点污水的历史流量值，得到时间数据集；

统计整理排水管网各分区排放口监测站点的空间连接关系，得到空间数据集。

3.根据权利要求1所述的基于时空图卷积网络的排水管网污水流量预测方法，其特征在于，所述步骤S2数据集划分比例为：60％的训练集，20％的验证集和20％的测试集。

4.根据权利要求1所述的基于时空图卷积网络的排水管网污水流量预测方法，其特征在于，所述步骤S3构建时空图卷积网络集成了循环神经网络RNN中的门控循环单元GRU和图卷积网络GCN两部分，其中，所述GCN用于捕获排水管网各分区排放口监测站点网络的拓扑结构，对空间依赖性进行建模，所述GRU用于捕获监测站点上污水流量数据的动态变化，对时间序列依赖性进行建模。

5.根据权利要求1所述的基于时空图卷积网络的排水管网污水流量预测方法，其特征在于，所述步骤S4的具体实施方法是：利用Intel i76800K 6核处理器+英伟达GeoForceGTX 1080Ti显卡的计算机硬件资源配置和深度学习框架PyTorch将整理好的样本集输入至网络中进行迭代训练，根据损失情况确定最终训练模型，训练参数见表1，

表1网络训练参数

参数	数值	参数	数值
数据集比例	6:2:2	批尺寸(BatchSize)	32
训练周期(Epoch)	1000	隐藏单元数	64
学习率(LearningRate)	0.001	权重衰减(WeightDecay)	0.0015

。