[发明专利]一种基于水表日用量大数据的预测模型匹配方法

说明书

本申请属于智能水表技术的领域，涉及一种基于水表日用量大数据的预测模型匹配方法，包括采集当天的水表日用量值A；记录实际累积水表数据的天数N及水表每天的日用量值A₁、A₂、A₃…A_N；若实际累积水表数据的天数N达到预测模型的数据累积天数m时，则根据m天的水表日用量数据训练预设的预测模型；根据训练后预设的预测模型获取m天内的连续预测x天的水表日用量预测值B₁、B₂、B₃…B_X；若预测准确次数C与预设预测天数D的百分比值达到预测准确率p时，则确认该预测模型有效。本申请具有在使用预测模型预测下一阶段的用水量之前，便于检测预测模型的预测匹配度的效果。

技术领域

本申请涉及智能水表技术的领域，尤其是涉及一种基于水表日用量大数据的预测模型匹配方法。

背景技术

由于全球水资源的匮乏，许多国家均面临水资源短缺的问题，因此对水资源的管理和规划非常重要，城市用水量预测在城市建设规划、输配水系统的优化调度中具有重要的作用，气候、节假日等因素对中长期用水量的影响也不容忽视，水需求预测对于水资源的分配和储备决策变得尤为重要；现阶段的用水量预测方法主要分为直接推测和模型预测两大类。

其中，直接推测主要基于城市用户长期使用水表生成的大量水表日用量数据，尤其是对于固定用户，而根据长期以往的用水量数据，会形成固定的用水习惯，基于固定用户的长期以往的用水模式，能推定下一阶段的用水数据。本方案推定的用水数据主要适用于固定用户，在用户的流动性相对较大时，基本不具备参考性。而实际应用中，对于一个城市整体而言用户普遍存在流动性，故适用性不佳。

模型预测水资源的方法是通过采集大量的历史真实用水数据（日用量数据不小于10万条/天），然后对大量的用水数据进行分析，利用多种算法训练出合适的预测模型，利用此预测模型来推定下一阶段的用户用水量，从而完成城市用水量的规划和调度。比较常见的预测模型有单算法预测模型和组合算法预测模型；单算法预测主要利用机器学习某一种算法对用水量进行预测，常用的算法有线性回归、灰色系统理论、贝叶斯理论和神经网络等；组合算法预测通常先用多种算法对用水量进行预测，然后按照一定的权重对预测结果进行加权平均，再得到最终结果；单算法预测受限于训练数据量，预测结果不稳定；组合算法预测难以确定每种算法的最优权重，预测结果误差也较大。

针对上述中的相关技术，发明人认为目前的预测模型能由不同的算法训练出，而不同算法训练出的预测模型适用的状况各异，采用单一的预测模型，其预测准确率在不同的阶段也存在差异，因此在预测下一阶段的用水量时容易出现因选择或匹配的预测模型不当而导致预测结果准确度不高的问题。

发明内容

为了获得更高的预测结果，在使用预测模型预测下一阶段的用水量之前，通过对预测模型的匹配度进行检测，筛选出准确率符合要求或适用性最强的预测模型，本申请提供了一种基于水表日用量大数据的预测模型匹配方法。

第一方面，本申请提供的一种基于水表日用量大数据的预测模型匹配方法，采用如下的技术方案：

一种基于水表日用量大数据的预测模型匹配方法，包括：

采集当天的水表日用量值A；

记录实际累积水表数据的天数N及水表每天的日用量值A₁、A₂、A₃…A_N；

若实际累积水表数据的天数N达到预测模型的数据累积天数m时，则根据m天的水表日用量数据训练预设的预测模型；

根据训练后预设的预测模型获取m天内的连续预测x天的水表日用量预测值B₁、B₂、B₃…B_X；