【技術(shù)實(shí)現(xiàn)步驟摘要】
本專利技術(shù)涉及供水量預(yù)測(cè)，具體講的是一種基于改進(jìn)貝葉斯優(yōu)化算法的短時(shí)供水量預(yù)測(cè)方法。
技術(shù)介紹
1、供水系統(tǒng)是城市基礎(chǔ)設(shè)施的重要組成部分，合理的供水調(diào)度和管理對(duì)于保證城市正常運(yùn)轉(zhuǎn)、節(jié)約水資源以及提高水資源利用率具有重要意義。隨著城市化進(jìn)程的加速，供水量的波動(dòng)和變化愈發(fā)復(fù)雜，供水管理者面臨著供水量預(yù)測(cè)不準(zhǔn)確、時(shí)效性差等問(wèn)題，尤其在面對(duì)季節(jié)變化、人口波動(dòng)、氣候異常等因素時(shí)，傳統(tǒng)的供水量預(yù)測(cè)模型難以滿足需求。
2、目前，傳統(tǒng)的供水量預(yù)測(cè)方法如線性回歸、時(shí)間序列模型(如arima)、反向傳播神經(jīng)網(wǎng)絡(luò)(bpnn)等，在數(shù)據(jù)特征較為簡(jiǎn)單時(shí)能夠發(fā)揮一定的預(yù)測(cè)作用，但它們存在明顯的局限性，尤其在面對(duì)非線性、長(zhǎng)時(shí)依賴的供水量數(shù)據(jù)時(shí)，其預(yù)測(cè)精度和泛化能力表現(xiàn)較差，難以捕捉和學(xué)習(xí)到歷史數(shù)據(jù)的特征關(guān)系。此外，隨著智能水務(wù)的發(fā)展，供水量預(yù)測(cè)不僅需要處理大規(guī)模、高維度的歷史數(shù)據(jù)，還需要具備實(shí)時(shí)更新和預(yù)測(cè)能力，這對(duì)傳統(tǒng)模型提出了更高的要求。
3、①線性回歸模型：這種方法主要是通過(guò)建立特征變量(自變量)與預(yù)測(cè)的目標(biāo)變量(因變量)的線性關(guān)系，并通過(guò)常用的最小二乘法來(lái)估計(jì)各個(gè)自變量的參數(shù)，然后擬合數(shù)據(jù)計(jì)算殘差值驗(yàn)證其正態(tài)性，最后輸入未來(lái)自變量便可以計(jì)算出未來(lái)值；
4、②arima模型：這這種模型預(yù)測(cè)方法其實(shí)和線性回歸類似，認(rèn)為當(dāng)前數(shù)據(jù)值與歷史值、擬合值與歷史值的誤差存在著線性關(guān)系，通過(guò)最小二乘法來(lái)估計(jì)這種線性關(guān)系中的參數(shù)值，不過(guò)其將自回歸ar(q)和移動(dòng)平均ma(p)以及平穩(wěn)化差分相結(jié)合，要求輸入模型的數(shù)據(jù)平穩(wěn)，平穩(wěn)化后繪制自相
5、③bpnn模型：是一種非線性模型，一般輸入是多個(gè)特征值，模仿生物的神經(jīng)系統(tǒng)，組成網(wǎng)狀結(jié)構(gòu)，核心思想是通過(guò)誤差的反向傳播來(lái)調(diào)整權(quán)值和偏置，直到滿足精度要求或達(dá)到迭代最大次數(shù)，其結(jié)構(gòu)是由輸入層、隱含層和輸出層組成，核心計(jì)算是在隱含層中完成；其主要步驟包括前向傳播(賦予隨機(jī)權(quán)值)、激活函數(shù)(sigmoid、relu、tanh等)轉(zhuǎn)換輸出、計(jì)算損失(計(jì)算實(shí)際值與擬合值之間誤差)、反向傳播(使用鏈?zhǔn)椒▌t計(jì)算損失函數(shù)對(duì)每個(gè)權(quán)重與偏置的梯度)、優(yōu)化算法(如梯度下降法)更新權(quán)重和偏置、重復(fù)以上步驟直至達(dá)到預(yù)設(shè)的精度要求或達(dá)到最大迭代次數(shù)；
6、例如，公開發(fā)表的論文《基于線性回歸模型的鐵路客運(yùn)量預(yù)測(cè)與實(shí)證分析》中以鄭州市鐵路客運(yùn)量和影響因素為原始數(shù)據(jù)，建立了一元和多元線性回歸模型；一元回歸模型是針對(duì)每一個(gè)影響因素而建立的，而多元回歸模型是建立在一個(gè)整體之上的；通過(guò)分別分析各因素的一元回歸模型的變量系數(shù)和整體回歸方程的顯著性以及擬合優(yōu)度來(lái)判斷各因素的影響程度；建立多元回歸方程則是檢驗(yàn)?zāi)Ｐ偷亩嘀毓簿€性并采用逐步回歸分析法修正，形成最佳多元模型，預(yù)測(cè)結(jié)果顯示2017年和2018年的相對(duì)誤差均控制在2％以內(nèi)，預(yù)測(cè)效果良好。
7、近期發(fā)表的期刊論文《基于arima和bp神經(jīng)網(wǎng)絡(luò)模型對(duì)數(shù)字經(jīng)濟(jì)規(guī)模占gdp比重的預(yù)測(cè)》中，分別用arima和bp神經(jīng)網(wǎng)絡(luò)來(lái)提取數(shù)字經(jīng)濟(jì)占gdp比重時(shí)間序列的線性和非線性特征，分別建立模型并進(jìn)行預(yù)測(cè)；前者建立了arima(1，2，2)模型，預(yù)測(cè)精度98.32％，誤差方差0.46；后者確定了1-7-1的三層結(jié)構(gòu)的bp神經(jīng)網(wǎng)絡(luò)，預(yù)測(cè)精度98.71％，誤差方差0.31；然后依次用等權(quán)加權(quán)法和方差倒數(shù)加權(quán)法對(duì)兩組預(yù)測(cè)值進(jìn)行加權(quán)相加，得到兩種加權(quán)方法的預(yù)測(cè)精度分別為98.80％和98.71％，誤差方差分別為0.30和0.31；
8、以上三種模型都對(duì)時(shí)間序列進(jìn)行了一定程度上的學(xué)習(xí)，并取得了較為良好的預(yù)測(cè)成績(jī)，但是都存在著一些缺陷。例如在線性回歸模型中，僅依靠個(gè)人主觀判斷來(lái)選取若干個(gè)影響因素作為自變量來(lái)擬合線性模型，這是片面的；不僅如此，在多數(shù)情況下，數(shù)據(jù)是線性與非線性特征的雜糅，僅用線性模型很難學(xué)習(xí)到全面的特征，因此第二篇論文中將arima與bp神經(jīng)網(wǎng)絡(luò)相結(jié)合，運(yùn)用并聯(lián)的方式賦予權(quán)重得到組合預(yù)測(cè)結(jié)果，得到精度較高的預(yù)測(cè)值，但是這種方法的組合方式是單純從測(cè)試集的預(yù)測(cè)誤差來(lái)計(jì)算權(quán)重的，僅在測(cè)試集中進(jìn)行組合預(yù)測(cè)，精度一定是會(huì)提高的，對(duì)未來(lái)的預(yù)測(cè)就具有不確定性，因?yàn)槎鄠€(gè)模型組合，其泛化能力是不同的；總的來(lái)說(shuō)，以上三種模型存在學(xué)習(xí)能力一般、調(diào)參復(fù)雜耗時(shí)長(zhǎng)、主觀性強(qiáng)而不夠客觀、不確定性強(qiáng)、泛化性差、預(yù)測(cè)過(guò)程機(jī)械化和用戶應(yīng)用難等缺陷。
技術(shù)實(shí)現(xiàn)思路
1、本申請(qǐng)要解決的一個(gè)技術(shù)問(wèn)題是，克服以上相關(guān)技術(shù)的缺陷，提供一種參數(shù)調(diào)優(yōu)先行而預(yù)測(cè)速度快且預(yù)測(cè)準(zhǔn)確的短時(shí)供水量預(yù)測(cè)方法。
2、本專利技術(shù)解決上述技術(shù)問(wèn)題所采用的技術(shù)方案為：一種基于改進(jìn)貝葉斯優(yōu)化算法的短時(shí)供水量預(yù)測(cè)方法，具體包括如下步驟：
3、步驟1、數(shù)據(jù)預(yù)處理：根據(jù)用戶輸入的供水量數(shù)據(jù)與特征，選擇用于預(yù)測(cè)的原始數(shù)據(jù)；
4、步驟2、參數(shù)調(diào)優(yōu)：運(yùn)用改進(jìn)的貝葉斯優(yōu)化算法對(duì)模型的多個(gè)參數(shù)進(jìn)行調(diào)優(yōu)，通過(guò)損失函數(shù)選取最佳參數(shù)組合；
5、步驟3、根據(jù)最佳參數(shù)組合構(gòu)建數(shù)據(jù)集，所述數(shù)據(jù)集包括訓(xùn)練集、驗(yàn)證集和測(cè)試集；
6、步驟4、模型訓(xùn)練：構(gòu)建cnn-bilstm短時(shí)供水量預(yù)測(cè)模型，應(yīng)用訓(xùn)練集對(duì)模型進(jìn)行訓(xùn)練，獲得訓(xùn)練好的cnn-bilstm神經(jīng)網(wǎng)絡(luò)；
7、步驟5、執(zhí)行預(yù)測(cè)：應(yīng)用訓(xùn)練好的cnn-bilstm神經(jīng)網(wǎng)絡(luò)分別對(duì)驗(yàn)證集、測(cè)試集以及未來(lái)進(jìn)行預(yù)測(cè)，獲得驗(yàn)證集預(yù)測(cè)值、測(cè)試集預(yù)測(cè)值和未來(lái)預(yù)測(cè)值；
8、步驟6、預(yù)測(cè)結(jié)果可視化：通過(guò)在同一張圖上繪制原始數(shù)據(jù)、驗(yàn)證集和驗(yàn)證集預(yù)測(cè)值、測(cè)試集和測(cè)試集預(yù)測(cè)值、未來(lái)預(yù)測(cè)值這些數(shù)據(jù)的折線圖，直觀表現(xiàn)預(yù)測(cè)效果。
9、作為優(yōu)選，步驟1的數(shù)據(jù)預(yù)處理具體包括：
10、步驟11、數(shù)據(jù)輸入：輸入供水量的單列時(shí)間序列、數(shù)據(jù)類型、檢測(cè)時(shí)間間隔、設(shè)備名稱、檢測(cè)開始和結(jié)束時(shí)間以及未來(lái)預(yù)測(cè)步數(shù)；
11、步驟12、數(shù)據(jù)選擇：利用數(shù)據(jù)參數(shù)存儲(chǔ)與更新機(jī)制來(lái)選擇用于預(yù)測(cè)的原始數(shù)據(jù)。
12、作為優(yōu)選，所述數(shù)據(jù)參數(shù)存儲(chǔ)與更新機(jī)制具體為：
13、根據(jù)用戶輸入數(shù)據(jù)與參數(shù)在歷史數(shù)據(jù)中查找特征相同的結(jié)構(gòu)體；
14、若不存在相同特征，則保存結(jié)構(gòu)體并輸出判斷結(jié)果1；
15、若存在相同特征且輸入數(shù)據(jù)全部相同，保存結(jié)構(gòu)體并輸出判斷結(jié)果2；
16、若存在相同特征但輸入數(shù)據(jù)不全部相同，則判斷輸入數(shù)據(jù)是否存在重疊；若有輸入數(shù)據(jù)重疊，判斷重疊部分是否存在預(yù)測(cè)補(bǔ)充數(shù)據(jù)；存在預(yù)測(cè)補(bǔ)充數(shù)據(jù)，時(shí)間對(duì)應(yīng)重疊部分替換成新輸入的數(shù)據(jù)，不存在預(yù)測(cè)補(bǔ)充數(shù)據(jù)，用對(duì)應(yīng)時(shí)間的數(shù)據(jù)替換預(yù)測(cè)數(shù)據(jù)，其余的進(jìn)行拼接，保存結(jié)構(gòu)體并輸出判斷結(jié)果3；若輸入數(shù)據(jù)未重疊，計(jì)算監(jiān)測(cè)開始時(shí)間和結(jié)束時(shí)間的差值，判斷差值是否在閾值內(nèi)，若差值在閾值內(nèi)，直接拼接，保存結(jié)構(gòu)體并輸出判斷結(jié)果3；若差值不在閾值內(nèi)，則預(yù)測(cè)補(bǔ)充數(shù)據(jù)值并拼接，保存結(jié)構(gòu)體并輸出判斷結(jié)果3。本文檔來(lái)自技高網(wǎng)...
【技術(shù)保護(hù)點(diǎn)】
1.一種基于改進(jìn)貝葉斯優(yōu)化算法的短時(shí)供水量預(yù)測(cè)方法，其特征在于，具體包括如下步驟：
2.根據(jù)權(quán)利要求1所述的一種基于改進(jìn)貝葉斯優(yōu)化算法的短時(shí)供水量預(yù)測(cè)方法，其特征在于，步驟1的數(shù)據(jù)預(yù)處理具體包括：
3.根據(jù)權(quán)利要求2所述的一種基于改進(jìn)貝葉斯優(yōu)化算法的短時(shí)供水量預(yù)測(cè)方法，其特征在于，所述數(shù)據(jù)參數(shù)存儲(chǔ)與更新機(jī)制具體為：
4.根據(jù)權(quán)利要求1所述的一種基于改進(jìn)貝葉斯優(yōu)化算法的短時(shí)供水量預(yù)測(cè)方法，其特征在于，若步驟11中的輸入數(shù)據(jù)內(nèi)有某些異常值或空缺值，使用多維度子樣本的孤立森林法對(duì)輸入數(shù)據(jù)進(jìn)行清洗，排除異常值并用線性插值填補(bǔ)。
5.根據(jù)權(quán)利要求4所述的一種基于改進(jìn)貝葉斯優(yōu)化算法的短時(shí)供水量預(yù)測(cè)方法，其特征在于，所述多維度子樣本的孤立森林法的計(jì)算方法如下：
6.根據(jù)權(quán)利要求1所述的一種基于改進(jìn)貝葉斯優(yōu)化算法的短時(shí)供水量預(yù)測(cè)方法，其特征在于，所述改進(jìn)的貝葉斯優(yōu)化算法的改進(jìn)之處在于對(duì)初始采樣點(diǎn)的優(yōu)化：
【技術(shù)特征摘要】
1.一種基于改進(jìn)貝葉斯優(yōu)化算法的短時(shí)供水量預(yù)測(cè)方法，其特征在于，具體包括如下步驟：
2.根據(jù)權(quán)利要求1所述的一種基于改進(jìn)貝葉斯優(yōu)化算法的短時(shí)供水量預(yù)測(cè)方法，其特征在于，步驟1的數(shù)據(jù)預(yù)處理具體包括：
3.根據(jù)權(quán)利要求2所述的一種基于改進(jìn)貝葉斯優(yōu)化算法的短時(shí)供水量預(yù)測(cè)方法，其特征在于，所述數(shù)據(jù)參數(shù)存儲(chǔ)與更新機(jī)制具體為：
4.根據(jù)權(quán)利要求1所述的一種基于改進(jìn)貝葉斯優(yōu)化算法的短時(shí)供水量預(yù)測(cè)方法，其特...
【專利技術(shù)屬性】
技術(shù)研發(fā)人員：姚建旭，陳偉，馮路建，黃旦光，
申請(qǐng)(專利權(quán))人：浙江寧水水務(wù)科技有限公司，
類型：發(fā)明
國(guó)別省市：
還沒(méi)有人留言評(píng)論。發(fā)表了對(duì)其他瀏覽者有用的留言會(huì)獲得科技券。