基于一维卷积神经网络的短期用水量预测

摘要：

供水系统短期用水量预测是管网系统异常检测的基础,预测的及时性和预测结果的准确性对后续工作有重要影响.目前,能有效应用于此方面的深度学习方法仍然较少,且已有的深度学习方法大部分基于人工特征提取,具有无法充分挖掘数据的问题,无法最大限度发挥深度学习的优势.针对这些问题,文中将使用基于自动特征提取的一维卷积神经网络-门控循环单元(one-dimensional convolutional neural network-gated recurrent unit,Conv1D-GRU)模型,以充分挖掘数据信息,实现准确的需水量预测.最终,模型在测试集上的最小百分比误差达到1.677％.与门控循环神经网络(gated recurrent neural network,GRUN)模型和人工神经网络(artificial neural network,ANN)型相比,Conv1D-GRU模型具有预测精度高、鲁棒性强的特点.

关键词：需水量预测、供水系统、卷积神经网络、门控循环神经网络、时间序列预测

所属期刊栏目：41

分类号：TU991(地下建筑)

资助基金：上海城投科研项目CTKY-ZDXM-2020-012

在线出版日期：2022-08-09（万方平台首次上网日期，不代表论文的发表时间）

页数：共6页

页码：34-39