基于小波分析与混合模型的用水量趋势预测方法和系统技术方案

本发明专利技术提供了一种基于小波分析与混合模型的用水量趋势预测方法和系统，包括：步骤1：对用水量进行监测，获得原始时间序列数据，并通过数字信号处理技术进行小波去噪；步骤2：将小波去噪后的时间序列数据添加到Prophet模型中，进行模型拟合构建；步骤3：将小波去噪后的时间序列数据进行LSTM模型构建，对用水量进行预测；步骤4：设置权值系数，将Prophet模型和LSTM模型进行整合，将预测结果进行集成。本发明专利技术结合化工企业用水量时序数据的特点，采用数字信号处理技术进行小波去噪，这样对之后进行时序数据建模，模型的拟合更加有效、预测更加精准。精准。精准。

【技术实现步骤摘要】
基于小波分析与混合模型的用水量趋势预测方法和系统


[0001]本专利技术涉及用水量趋势预测
，具体地，涉及一种基于小波分析与混合模型的用水量趋势预测方法和系统。尤其地，涉及一种基于小波分析与Prophet和LSTM模型的用水量趋势预测方法。

技术介绍

[0002]化工行业是国民经济中不可或缺的重要组成部分，并且渗透人民生活的方方面面，其发展走可持续发展道路对人类经济、社会发展有十分现实重要的意义。化工园区的节能用水也是走可持续发展道路的一项重要体现。化工园区企业用水主要是用于生产活动，而企业的生产活动具有较强的规律性，一般收到企业自身产能、生产规划、行业发展、节假日等影响。如何合理的分配水资源进行供水显得尤为突出。
[0003]为了分析化工园区企业用水的趋势规律以及对企业用水做合理的预测评估，经检索《几种AR和ARMA模型对城市用水量预测的比较》以及《基于时间序列模型的水资源未来发展预测数据分析》等论文提出的技术方案都是直接采用自回归系列方式，通过确定参数进行预测未来趋势。
[0004]专利文献CN103218536A(申请号：CN201310151022.3)公开了一种跨越式发展地区需水预测方法，其步骤为：S1、确定经济发展轨迹特征参数；S2、预测经济社会发展情景；S3、确定经济社会发展与需水的定量关系；S4、基于系统动力学模型的需水预测；S5、需水预测成果的多途径校验。
[0005]自回归系列方式进行时间序列分析是通过建立动态分析模型，研究化工园区企业用水趋势和预测的一类常用方法。首先由于观测误差等其他因素的影响，常规的时序分析方法往往不能准确进行预测，且仅适用于短期预测，对于中长期表现不佳。其次由于化工企业用水在节假日等特殊时间点用水量较正常工作日是存在较大差异的，自回归系列方法是无法处理由于节假日、特殊时点等带来的变点问题。最后自回归系列的模型的解耦能力较差，无法分析出影响准确率的潜在因素。

技术实现思路

[0006]针对现有技术中的缺陷，本专利技术的目的是提供一种基于小波分析与混合模型的用水量趋势预测方法和系统。
[0007]根据本专利技术提供的基于小波分析与混合模型的用水量趋势预测方法，包括：
[0008]步骤1：对用水量进行监测，获得原始时间序列数据，并通过数字信号处理技术进行小波去噪；
[0009]步骤2：将小波去噪后的时间序列数据添加到Prophet模型中，进行模型拟合构建；
[0010]步骤3：将小波去噪后的时间序列数据进行LSTM模型构建，对用水量进行预测；
[0011]步骤4：设置权值系数，将Prophet模型和LSTM模型进行整合，将预测结果进行集成。
[0012]优选的，所述步骤1包括：通过小波分析法对用水量时序数据去噪，先对有噪声的监测数据进行预处理，然后进行分解监测到的用水量时序数据，采用设置门限阈值的方式处理小波系数，最后对数据进行重构。
[0013]优选的，所述步骤2包括：对用水量时序数据进行曲线拟合，同时分析时序数据中的包括周期性、趋势性和节假日效应的时间序列特征；
[0014]先对用水量时序数据绘制数据趋势图，然后初始化Prophet模型，根据经验对变化点进行设置，提高增长趋势对变化的敏感程度，并指定相应的预测区间和预测频率；
[0015]将用水量时序数据整体按照8：2划分训练集和测试集，将训练集输入Prophet模型进行训练，通过均方根误差来度量用水量实际值与用水量预测值的差异程度，均方根误差值越小，拟合越好；
[0016]Prophet模型构建如下：
[0017]P(t)＝g(t)+s(t)+h(t)+ε(t)
[0018]其中，p(t)为Prophet模型的预测结果；g(t)是趋势函数，用来分析时间序列中的非周期性变化；s(t)代表周期性变化；h(t)代表包括节假日在内的情况带来的影响；ε(t)为随机波动，代表模型没有考虑到的误差影响；
[0019]趋势项、周期项、节日项计算公式如下：
[0020]趋势项：g(t)＝[m+α(t)δ]t+[b+α(t)
T
γ][0021]其中，m为增长率；α(t)为指数函数；δ为增长率的变化量；b为偏移量；γ为突变点边界；
[0022]周期项：
[0023]其中，P是时间序列的周期长度；N代表周期数；a
n
、b
n
是需要估计的参数；
[0024]节日项：
[0025][0026]Z(t)＝(1|t∈D1|,...,1|t∈D
L
|)
[0027]k＝(k1,...,k
L
)
T
[0028]其中，i表示节假日；D
i
表示窗口期中包含的时间t；k
i
表示节假日对预测结果的影响；1表示D
i
当前取值。
[0029]优选的，所述步骤3包括：首先获取小波去噪后的用水量时间序列数据，对降噪后的用水量时序数据采用min
‑
max归一化公式进行处理，再根据经验对LSTM模型进行初始化，给定随机种子数以及训练步数，并将归一化处理的用水量时间序列进行7：3训练集与测试集划分，将训练集进行模型训练，选用均方根误差公式计算误差，设定损失函数最小为优化目标，最后应用训练好的LSTM网络对测试集进行预测，输出预测结果L(t)。
[0030]优选的，所述步骤4包括：
[0031]将Prophet模型与LSTM模型进行线性组合，找寻最优秀的权值系数w1、w2，线性加权叠加模型的预测结构公式为：
[0032]Y(t)＝w1P(t)+w2L(t),w1+w2＝1
[0033]权重系数w1取值为[0.0，1.0]区间的递增的11个数值，w2取值为[1.0，0.0]区间的
递减的11个数值，循环遍历w1、w2，得到11组预测结果，根据均方根误差与绝对平均误差的取值，作为评估各组权值系数对应的Prophet
‑
LSTM组合的用水量预测模型效果标准，从而获取最优权重系数。
[0034]根据本专利技术提供的基于小波分析与混合模型的用水量趋势预测系统，包括：
[0035]模块M1：对用水量进行监测，获得原始时间序列数据，并通过数字信号处理技术进行小波去噪；
[0036]模块M2：将小波去噪后的时间序列数据添加到Prophet模型中，进行模型拟合构建；
[0037]模块M3：将小波去噪后的时间序列数据进行LSTM模型构建，对用水量进行预测；
[0038]模块M4：设置权值系数，将Prophet模型和LSTM模型进行整合，将预测结果进行集成。
[0039]优选的，所述模块M1包括：通过小波分析法对用水量时序数据去噪，先对有噪声的监测数据进行预处理，然后进行分解监测到的用水量时序数据，采用设置门限阈值的方式处理小波系数，最后对数据进行重构。
[00本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于小波分析与混合模型的用水量趋势预测方法，其特征在于，包括：步骤1：对用水量进行监测，获得原始时间序列数据，并通过数字信号处理技术进行小波去噪；步骤2：将小波去噪后的时间序列数据添加到Prophet模型中，进行模型拟合构建；步骤3：将小波去噪后的时间序列数据进行LSTM模型构建，对用水量进行预测；步骤4：设置权值系数，将Prophet模型和LSTM模型进行整合，将预测结果进行集成。2.根据权利要求1所述的基于小波分析与混合模型的用水量趋势预测方法，其特征在于，所述步骤1包括：通过小波分析法对用水量时序数据去噪，先对有噪声的监测数据进行预处理，然后进行分解监测到的用水量时序数据，采用设置门限阈值的方式处理小波系数，最后对数据进行重构。3.根据权利要求1所述的基于小波分析与混合模型的用水量趋势预测方法，其特征在于，所述步骤2包括：对用水量时序数据进行曲线拟合，同时分析时序数据中的包括周期性、趋势性和节假日效应的时间序列特征；先对用水量时序数据绘制数据趋势图，然后初始化Prophet模型，根据经验对变化点进行设置，提高增长趋势对变化的敏感程度，并指定相应的预测区间和预测频率；将用水量时序数据整体按照8：2划分训练集和测试集，将训练集输入Prophet模型进行训练，通过均方根误差来度量用水量实际值与用水量预测值的差异程度，均方根误差值越小，拟合越好；Prophet模型构建如下：P(t)＝g(t)+s(t)+h(t)+ε(t)其中，p(t)为Prophet模型的预测结果；g(t)是趋势函数，用来分析时间序列中的非周期性变化；s(t)代表周期性变化；h(t)代表包括节假日在内的情况带来的影响；ε(t)为随机波动，代表模型没有考虑到的误差影响；趋势项、周期项、节日项计算公式如下：趋势项：g(t)＝[m+α(t)δ]t+[b+α(t)
T
γ]其中，m为增长率；α(t)为指数函数；δ为增长率的变化量；b为偏移量；γ为突变点边界；周期项：其中，P是时间序列的周期长度；N代表周期数；a
n
、b
n
是需要估计的参数；节日项：Z(t)＝(1|t∈D1|,...,1|t∈D
L
|)k＝(k1,...,k
L
)
T
其中，i表示节假日；D
i
表示窗口期中包含的时间t；k
i
表示节假日对预测结果的影响；1表示D
i
当前取值。4.根据权利要求3所述的基于小波分析与混合模型的用水量趋势预测方法，其特征在于，所述步骤3包括：首先获取小波去噪后的用水量时间序列数据，对降噪后的用水量时序数据采用min
‑
max归一化公式进行处理，再根据经验对LSTM模型进行初始化，给定随机种子
数以及训练步数，并将归一化处理的用水量时间序列进行7：3训练集与测试集划分，将训练集进行模型训练，选用均方根误差公式计算误差，设定损失函数最小为优化目标，最后应用训练好的LSTM网络对测试集进行预测，输出预测结果L(t)。5.根据权利要求4所述的基于小波分析与混合模型的用水量趋势预测方法，其特征在于，所述步骤4包括：将Prophet模型与LSTM模型进行线性组合，找寻最优秀的权值系数w1、w2，线性加权叠加模型的预测结构公式为：Y(t)＝w1P(t)+w2L(t),w1+w2＝1权重系数w1取值为[0.0，1.0]区间的递增的11个数值，w2取值为[1.0，0.0]区间的递减的11个数值，循环遍历w1、w2，得到11组预测结果，根据均方根误差与绝对平均误差的取值，作为评估各组权值系数对应的Prophet
‑
LSTM组合的用水量预测模型效果标准，从而获取最优权重系数。6.一种基于小波...

【专利技术属性】
技术研发人员：王明光，杨帆，蒋维，谢红，钟浩，刘红志，高友光，钱程，陈磊，
申请(专利权)人：新智道枢上海科技有限公司，
类型：发明
国别省市：