基于神经网络的城市日需水量预测的方法

技术领域

本发明涉及城市供水水量预测方法领域，特别地，涉及一种基于神经网络的城市日需水量预测的方法。

背景技术

目前，水资源的管理，是解决用水效率的一种方法，为了提高用水效率，则需要对每天的用水量进行预测。用水量和节水潜力会随着时间与天气等条件的影响而发生变化，具有复杂性、非线性、时变性等特点。目前预测所使用的数学方法可以分为三类：时间序列法、结构分析法、系统分析法。

神经网络作为一种算法模型，具有较强的自组织、自学习及归纳与容错能力，且对非线性问题拟合效果较好，越来越多的用于解决预测问题。

所以，基于上述技术前提，需要解决的问题是：如何提高预测的可靠性。

发明内容

本发明的目的在于针对现有技术的不足之处，至少在一定程度上解决相关技术中的技术问题，提供一种基于神经网络的城市日需水量预测的方法，具有提高预测可靠程度的优势。

为了解决上述技术问题，本发明的技术方案是：一种基于神经网络的城市日需水量预测的方法：

第一步，将用水方差和年用水均量这些用水数据作为特征向量对多个城市历年数据进行模糊C聚类，将城市分为三类；

第二步，以数据分析为基础，对关键因素进行降维处理，得到城市的关键影响因素；

第三步，将得到的关键影响因素和历年用水数据作为Elman神经网络算法的输入对模型进行校核并对模型进行修正。

优选的，用水数据作为特征向量对多个城市历年数据进行模糊C聚类的步骤包括：

步骤一：用值在[0,1]的随机数初始化隶属度矩阵U；

步骤二：用

步骤三：根据

步骤四：用

优选的，对模型进行修正的步骤包括：根据定义：

a＝|k

b＝sgn(k

其中，式中:k

提取条件属性集C＝{a，b，c}，确定决策属性集D＝{d}。

优选的，进行模糊C聚类还包括如下步骤：

步骤一：数据预处理；

步骤二：提取模糊C均值聚类的特征向量；

步骤三：设置参数并进行模糊C均值聚类；

步骤四：主成因分析综合出新的成分并与原始影响因子构成影响因子组；

步骤五：分别与每类数据进行Pearson相关性分析提取每类关键影响因素；

步骤六：数据归一化；将每类数据与其关键影响因素调整到0-1；

步骤七：Elman神经网络预测；将归一化的数据作为输入；设置训练目标最小误差、训练次数、现实频率和学习速率；在输出结果后可调整神经元个数以达到最优效果；

步骤八：预测结果反归一化并输出；

步骤九：将输出的预测值来构建条件属性集；根据专家经验选出的尺度因子构建决策属性集；通过等频划分的离散方法对集合进行离散化处理形成决策表；通过最小决策规则确定尺度因子；进行预测值修正。

优选的，采用属性约简算法对决策表进行处理即可得到最小决策规则；从而确定尺度因子S；实现粗糙集对模型的修正。

相比于背景技术，本发明技术效果主要体现在以下方面：

1、数据面广，数据处理高效；

2、根据不同城市用水变化来分类城市用水预测模型，如果城市数量较多的时候，识别降低泛化能力，因此本方法模型能够在预测之前对城市进行分类，以降低城市差异化。

附图说明

图1为实施例中数据处理流程图。

具体实施方式

以下结合附图，对本发明的具体实施方式作进一步详述，以使本发明技术方案更易于理解和掌握。

实施例一：

参考图1所示，一种基于神经网络的城市日需水量预测的方法：第一步，将用水方差和年用水均量这些用水数据作为特征向量对多个城市历年数据进行模糊C聚类，将城市分为三类；第二步，以数据分析为基础，对关键因素进行降维处理，得到城市的关键影响因素；第三步，将得到的关键影响因素和历年用水数据作为Elman神经网络算法的输入对模型进行校核并对模型进行修正。

模糊C均值(FCM)是一种软聚类方法；允许一条数据属于两个或多个聚类；主要是用隶属度去将数据点分类，隶属度越大代表数据点和聚类中心的距离越近。模糊划分是对上述目标函数的迭代优化进行的。

用水数据作为特征向量对多个城市历年数据进行模糊C聚类的步骤包括：

步骤一：用值在[0,1]的随机数初始化隶属度矩阵U；

步骤二：用

步骤三：根据

步骤四：用

对模型进行修正的步骤包括：根据定义：

a＝|k

b＝sgn(k

其中，式中:k

提取条件属性集C＝{a，b，c}，确定决策属性集D＝{d}。

由此可见，上述方案，能处理各类数据，包括缺失的数据以及带有很多变量的数据，能处理数据的不精确性和模棱两可，包括确定性和非确定性的情况，能求得知识的最小表达和知识的各种不同层次，能从数据中剥离出概念简单，易于操作的模式，能产生精确而又易于检查和证实的规则。

进行模糊C聚类还包括如下步骤：

步骤一：数据预处理；

步骤二：提取模糊C均值聚类的特征向量；

步骤三：设置参数并进行模糊C均值聚类；

步骤四：主成因分析综合出新的成分并与原始影响因子构成影响因子组；

步骤五：分别与每类数据进行Pearson相关性分析提取每类关键影响因素；

步骤六：数据归一化；将每类数据与其关键影响因素调整到0-1；

步骤七：Elman神经网络预测；将归一化的数据作为输入；设置训练目标最小误差、训练次数、现实频率和学习速率；在输出结果后可调整神经元个数以达到最优效果；

步骤八：预测结果反归一化并输出；

步骤九：将输出的预测值来构建条件属性集；根据专家经验选出的尺度因子构建决策属性集；通过等频划分的离散方法对集合进行离散化处理形成决策表；通过最小决策规则确定尺度因子；进行预测值修正。

采用属性约简算法对决策表进行处理即可得到最小决策规则；从而确定尺度因子S；实现粗糙集对模型的修正。

把综合出的影响因子并入原有影响因子构成影响因子组，再分别与每类城市用水量数据进行相关性分析，提取关键因素，最后分别将每类城市预处理的用水数据和关键影响因素作为ELman神经网络的输入进行训练并预测；最后为了克服Elman神经网络在逼近非线性函数时；两侧斜率过大的峰值点预测误差较大，引入粗糙集进行修正，提高预测精度。

由此可见，本方案的显著效果体现在，采集数据面广，数据处理高效。根据不同城市用水变化来分类城市用水预测模型，如果城市数量较多的时候，识别降低泛化能力，因此本方法模型能够在预测之前对城市进行分类，以降低城市差异化。

本文使用词语“示范性”和/或“实例”来表示“充当实例、例子或说明”。本文描述为“示范性”和/或“实例”的任何实施例均不一定被解释为比其它实施例优选或有利。同样，术语“本发明的实施例”不要求本发明的所有实施例均包含所论述的特征、优点或操作模式。

此外，所属领域的技术人员将了解，结合本文所揭示的实施例而描述的各种说明性逻辑块、模块、电路和算法步骤可实施为电子硬件、计算机软件或两者的组合。为了清楚地说明硬件与软件的这种可互换性，上文已大体上依据各种说明性组件、块、模块、电路和步骤的功能性描述了各种说明性组件、块、模块、电路和步骤。将此功能性实施为硬件还是软件取决于特定应用和强加于整个系统的设计约束。所属领域的技术人员可针对每一特定应用以不同方式实施所描述的功能性，但此实施决策不应被解释为造成脱离本发明的范围。

结合本文所揭示的实施例而描述的方法、序列和/或算法可直接以硬件、以由处理器执行的软件模块或以两者的组合体现。如果以软件实施，那么功能可存储在计算机可读媒体上或作为计算机可读媒体上的一个或一个以上指令或代码而传输。计算机可读媒体包含计算机存储媒体和通信媒体两者，其包含促进计算机程序从一个位置向另一位置的传送的任何媒体。存储媒体可为可由计算机存取的任何可用媒体。举例来说且并非限制，此计算机可读媒体可包括RAM、ROM、EEPROM、CD-ROM或其它光盘存储装置、磁盘存储装置或其它磁性存储装置，或可用于以指令或数据结构的形式携载或存储所要程序代码且可由计算机存取的任何其它媒体。而且，严格地说，任何连接均被称为计算机可读媒体。举例来说，如果软件是使用同轴电缆、光纤电缆、双绞线对、数字订户线(DSL)或例如红外线、无线电和微波等无线技术从网站、服务器或其它远程源传输的，那么同轴电缆、光纤电缆、双绞线对、DSL或例如红外线、无线电和微波等无线技术包含在媒体的定义内。以上各项的组合也应包含在计算机可读媒体的范围内。

因此，本发明的实施例可包含计算机可读媒体，其上包含用于执行本文所揭示的功能、步骤、动作序列和/或算法的代码。

虽然前面的揭示内容展示本发明的说明性实施例，但应注意，可在不脱离如所附权利要求书界定的本发明的范围的情况下，在其中做出各种改变和修改。根据本文所描述的本发明实施例的方法项的功能、步骤和/或动作无需以任何特定次序执行。此外，虽然可以单数形式描述或主张本发明的元件，但预期复数形式，除非明确陈述限于单数形式。

当然，以上只是本发明的典型实例，除此之外，本发明还可以有其它多种具体实施方式，凡采用等同替换或等效变换形成的技术方案，均落在本发明要求保护的范围之内。