基于神经网络的城市日需水量预测的方法技术

本发明专利技术公开了一种基于神经网络的城市日需水量预测的方法，属于供水水量预测方法技术领域，解决了多个城市之间数据量大，数据处理效率不高问题，其技术方案要点是第一步，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，达到了提高数据处理效率和数据处理可靠性的效果。据处理可靠性的效果。据处理可靠性的效果。

【技术实现步骤摘要】
基于神经网络的城市日需水量预测的方法


[0001]本专利技术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。

技术介绍

[0002]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。
[0003]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。
[0004]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。

技术实现思路

[0005]本专利技术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。
[0006]为了解决上述技术问题，本专利技术的技术方案是：一种基于神经网络的城市日需水量预测的方法：
[0007]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；
[0008]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；
[0009]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。
[0010]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：
[0011]步骤一：用值在[0,1]的随机数初始化隶属度矩阵U；
[0012]步骤二：用计算聚类中心C
i
，i＝1,2,
…
,c；
[0013]步骤三：根据计算价值函数，如果该值小于某个确定的阈值或其相对上次价值函数值的改变量小于某个阈值则算法停止；
[0014]步骤四：用计算新的U矩阵，返回步骤二。
[0015]优选的，对模型进行修正的步骤包括：根据定义：
[0016]a＝|k
t+1
‑
k
t
|/Y
t
″
；
[0017]b＝sgn(k
t+1
‑
k
t
)；
[0018]其中，式中:k
t+1
、k
t
分别表示预测函数在时刻两侧的斜率，Y
t
为t时间单位内预测值，Y
t
″
为t时间单位内实际值，M为数据点总数；
[0019]提取条件属性集C＝{a，b，c}，确定决策属性集D＝{d}。
[0020]优选的，进行模糊C聚类还包括如下步骤：
[0021]步骤一：数据预处理；
[0022]步骤二：提取模糊C均值聚类的特征向量；
[0023]步骤三：设置参数并进行模糊C均值聚类；
[0024]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；
[0025]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；
[0026]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；
[0027]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；
[0028]步骤八：预测结果反归一化并输出；
[0029]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。
[0030]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。
[0031]相比于
技术介绍
，本专利技术技术效果主要体现在以下方面：
[0032]1、数据面广，数据处理高效；
[0033]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
[0034]图1为实施例中数据处理流程图。
具体实施方式
[0035]以下结合附图，对本专利技术的具体实施方式作进一步详述，以使本专利技术技术方案更易于理解和掌握。
[0036]实施例一：
[0037]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。
[0038]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。
[0039]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：
[0040]步骤一：用值在[0,1]的随机数初始化隶属度矩阵U；
[0041]步骤二：用计算聚类中心C
i
，i＝1,2,
…
,c；
[0042]步骤三：根据计算价值函数，如果该值小于某个确定的阈值或其相对上次价值函数值的改变量小于某个阈值则算法停止；
[0043]步骤四：用计算新的U矩阵，返回步骤二。
[0044]对模型进行修正的步骤包括：根据定义：
[0045]a＝|k
t+1
‑
k
t
|/Y
t
″
；
[0046]b＝sgn(k
t+1
‑
k
t
)；
[0047]其中，式中:k
t+1
、k
t
分别表示预测函数在时刻两侧的斜率，Y
t
为t时间单位内预测值，Y
t
″
为t时间单位内实际值，M为数据点总数；
[0048]提取条件属性集C＝{a，b，c}，确定决策属性集D＝{d}。
[0049]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。
[0050]进行模糊C聚类本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于神经网络的城市日需水量预测的方法，其特征是：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。2.根据权利要求1所述的基于神经网络的城市日需水量预测的方法，其特征是：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：用计算聚类中心C
i
，i＝1,2,
…
,c；步骤三：根据计算价值函数，如果该值小于某个确定的阈值或其相对上次价值函数值的改变量小于某个阈值则算法停止；步骤四：用计算新的U矩阵，返回步骤二。3.根据权利要求1所述的基于神经网络的城市日需水量预测的方法，其特征是：对模型进行修正的步骤包括：根据定义：a＝|k
t+1
‑
k
t
|/Y
t
″
；b＝sgn(k
t+1
‑
k
t
)；其中，式中:k
t+1
、k
t
分别...

【专利技术属性】
技术研发人员：田炜懿，滕悦，汪宠，
申请(专利权)人：平行数字科技江苏有限公司，
类型：发明
国别省市：