一种基于分解集成与智能加权的城市需水量组合预测方法、电子设备及介质与流程

本发明属于生态水文，尤其是涉及一种基于分解集成与智能加权的城市需水量组合预测方法、电子设备及介质。

背景技术：

1、城市水资源规划和管理对于保障城市可持续发展和满足居民基本生活需求至关重要。而短期城市需水预测则是城市水资源规划和管理的基础。由于气温、降水量和蒸发量等因素在不同季节变化明显，直接影响着用水峰值和高峰期的需求，导致传统的预测方法，不能保证预测精度。

2、供水管网作为城市重要的基础设施，可以被视为城市的血脉。随着我国城市化进程的推进，城市供水管网建设和改造的效率日益提高，对管网建设和供水调度水平也提出了更高要求。解决供水调度问题，建立供水管网状态模型和需水量预测模型是必不可少的环节，其中需水量预测模型的精确度将影响到城市供水调度决策的可行性和准确性。因此，在现代化城市供水调度方案中，准确的需水量预测模型至关重要。

3、城市需水量预测有多种方法，包括定额法、时间序列法、弹性系数预测法、回归分析法以及灰色预测法等。这些方法广泛应用于城市需水预测，但都存在着预测精度不高的问题。因此，需要对这些方法进行改进和优化，以提高城市需水预测的精确度和可靠性。

技术实现思路

1、本发明第一个目的在于，提供一种基于分解集成与智能加权的城市需水量组合预测方法，以期望对城市需水量进行较为精准的预测。

2、为此，本发明的上述目的通过如下技术方案实现：

3、一种基于分解集成与智能加权的城市需水量组合预测方法，其特征在于：包括以下步骤：

4、s1、收集城市用水量数据，对数据进行预处理；

5、s2、采用极点对称模态分解将用水量数据分解成多个子序列，再通过模糊熵确定子序列的复杂度，对高熵值的子序列进行经验小波变换，最后根据相似度和复杂度重构为三个新的分量；

6、s3、将所有分量作为输入训练多个bigru模型和timesnet模型，用训练好的模型预测得到两组分量预测结果，每个分量有两个预测结果；

7、s4、利用sobol序列初始化和非线性收敛因子策略改进koa算法，得到ikoa；

8、s5、将每个分量的两个预测结果通过加权的方式得到单个分量的最优结果，使用ikoa确定每个分量最佳的组合权重；将多个分量的组合预测结果相加获得最终需水量结果。

9、在采用上述技术方案的同时，本发明还可以采用或者组合采用如下技术方案：

10、作为本发明的一种优选技术方案：步骤s1中，用水量数据预处理的具体过程如下：

11、s11、分析原始数据，找出缺失值和异常值；

12、s12、用缺失值和异常值前后时刻用水数据的平均值替换缺失值或异常值。

13、作为本发明的一种优选技术方案：步骤s2中，极点对称模态分解的具体过程如下：

14、s211、找出用水量x(t)的所有极值点，用线段连接相邻极值点，并将各线段的中点标记为fj(j＝1,2,...n-1)，并在序列的两端补增边界中点fo和fn；

15、s212、在n+1个中点构造2条插值线，并计算得到均值曲线l*；

16、l*＝(l1+l2)/2       (1)

17、式中，l1、l2分别表示构造的两条插值线；

18、s213、对序列x(t)-l*重新进行上述计算，当|l*|≤ε(ε是允许误差)，可得到第一个模态分解imf1；

19、s214、计算余下序列x(t)-imf1，同样进行以上步骤，得到各个模态分量imf2，imf3，……，以及最后剩余一定极点数的趋势序列r；

20、s215、将最大筛选次数k的范围设置为[kmin,kmax]，重复以上过程，确定方差比率δ/δo最小时的k的取值，记为ko；

21、s216、重复步骤s211到步骤s214，计算当k＝ko时分解得到的各模态分量及趋势项r，原始序列等于分解结果之和。

22、作为本发明的一种优选技术方案：步骤s2中，模糊熵计算的具体过程如下：

23、s221、对给定n维时间序列x进行相空间重构，得到重构向量：

24、

25、式中，m为嵌入维；

26、s222、定义两个重构向量和之间的最大距离

27、

28、式中，i,j＝1,2,...,n-m,i≠j；k为0～(m-1)的任意数；

29、s223、通过模糊函数计算与的相似度

30、

31、式中，h为其边界梯度，一般取2；p为相似容限，一般取值为0.1～0.25倍原始数据的标准差；

32、s224、定义阈值函数为：

33、

34、式中，φ(·)为阈值函数；m为嵌入维；n为时间序列的长度；为与之间的相似度；

35、s225、定义有限数据集的模糊熵估计为：

36、fuzzyen(m,p,h)＝inφ(m,p)-inφ(m+1,p)      (6)

37、式中，h、p决定模糊相似边界；fuzzyen为模糊熵值。

38、s226、通过步骤s221～s225，估计极点对称模态分解后的各个子序列的熵值，将具有高熵值的子序列累加起来。

39、作为本发明的一种优选技术方案：步骤s2中，经验小波变换及重构子序列的具体过程如下：

40、s231、计算输入信号的傅里叶变换；

41、s232、设置模态个数m，并计算其中两个具有连续性的局部极大值的中间频率，并将计算值作为频谱划分边界ωn(n＝1,2,…,m-1)；

42、s233、根据各频谱分割后的状态分别构建尺度函数和小波函数，对信号进行分解；

43、s234、最后，通过模糊熵计算经过两次分解后的各个子序列的熵值，根据复杂度将子序列重构为高、中、低三个组分。

44、作为本发明的一种优选技术方案：步骤s3中，bigru模型：

45、由于gru只是沿着时间序列向前传播，只考虑了历史数据的影响，而忽略了未来时刻的数据信息；bigru由沿着时间序列前向传播的gru和反向传播的gru叠加而成，可以对用水量的双向时序特征进行有效提取；通过gru的正向传播和反向传播，最终决定了ht的输出结果。

46、作为本发明的一种优选技术方案：步骤s3中，timesnet模型：

47、timesnet由堆叠的timesblock组成，输入序列首先经过嵌入层得到深度特征x1d；对于第l层timesblock，其输入为之后通过2d卷积提取二维时序变化：

48、

49、具体地，timesblock包含以下子过程：

50、(1)一维变换至二维：首先对输入的一维时序特征提取周期，并转换成二维张量来表示二维时序变化；

51、(2)提取二维时序变化表征：对于二维张量，由于其具有二维局部性，所以使用2d卷积提取信息；

52、(3)二维变换至一维：对于提取的时序特征，再将其转化回一维空间；

53、(4)自适应融合：依据一维表征相应频率的强度进行加权求和，得到最终输出。

54、作为本发明的一种优选技术方案：步骤s4中ikoa确定每个分量最佳的组合权重具体过程如下：

55、s41、sobol序列相比与随机序列分布更加均匀，采用sobol序列代替随机初始化物体位置和种群大小，物体的位置q＝[q0,q1]为bigru与timesnet对各个分量预测结果的权重；

56、qn＝qmin+kn·(qmax-qmin)      (8)

57、式中，kn为[0,1]的随机值；qn为sobol序列初始化后种群的位置；

58、s42、评估初始种群的适应度值，将全局最优解作为太阳，适应度值为混合模型预测值与真实值之间的均方差；

59、

60、式中，是混合模型预测值；y为城市用水量真实值；n为城市用水量数据的数量；

61、s43、计算太阳和所有物体之间的距离，根据距离计算引力大小，最后计算出物体的速度；

62、s44、生产两个0到1的随机数r和r1，如果r≥r1，采用式(10)更新物体位置，反之，采用式(11)在位置更新中引入非线性收敛因子；

63、

64、式中，qi(t)是物体i的当前位置；vi(t)是物体i到达新位置所需的速度；qs(t)是迄今为止发现的太阳的最佳位置；j用作改变搜索方向的标志；为太阳引力；r为步长；u为0，1变量；

65、

66、a＝2a×r1-a

67、qi(t+1)＝qi(t)+j×vi(t)+a×u×(qs(t)-qi(t))       (11)

68、式中，a为非线性收敛因子；t为物体的当前时刻；t为物体的运动周期；a为中间变量；

69、s45、对新位置采用精英策略；

70、

71、s46、评估所有物体和太阳的适应度值；

72、s47、确定全局最优解为太阳；

73、s48、判断是否达到最大迭代次数，当迭代次数小于最大迭代次数时，重复步骤s43～s47，达到最大迭代次数时，输出最佳位置。

74、作为本发明的一种优选技术方案：步骤s5具体过程如下：

75、s51、将ikoa找出的最优权重按下式计算各个分量的预测值；

76、

77、式中，为分量的预测值；qbest表示最佳的权重；bq为bigru预测结果；tnq为timesnet预测结果。

78、s52、将分量的最优预测值相加得到最终的需水预测值。

79、本发明第二个目的在于，提供一种电子设备。

80、为此，本发明的上述目的通过如下技术方案实现：

81、一种电子设备，包括存储器和处理器，

82、存储器，用于存储能够在处理器上运行的计算机程序；

83、其特征在于，处理器，用于在运行所述计算机程序时，执行如前文所述的基于分解集成与智能加权的城市需水量组合预测方法步骤。

84、本发明还有一个目的在于，提供一种存储介质。

85、为此，本发明的上述目的通过如下技术方案实现：

86、一种存储介质，所述存储介质上存储有计算机程序，其特征在于，所述计算机程序被至少一个处理器执行时实现如前文所述的基于分解集成与智能加权的城市需水量组合预测方法步骤。

87、本发明提供一种基于分解集成与智能加权的城市需水量组合预测方法、电子设备及介质，所述方法包括如下步骤：首先收集城市用水量数据，对数据进行预处理；其次，对处理后的用水量数据进行分解集成，极点对称模态分解(esmd)将数据分解成各种子序列，通过模糊熵评价子序列的复杂度，对具有高熵值的子序列通过经验小波变换(ewt)进行再分解，再将esmd和ewt分解得到的子序列根据相似度和复杂度重构为几个新的分量；再次，针对单一预测模型不能充分捕捉分量的所有特征的缺陷，采用bigru和timesnet组合权重预测模型更全面的捕获序列中的非线性关系；此外，采用改进的开普勒优化算法(ikoa)寻求两个单独的预测模型的最佳权重；将多个分量的组合预测结果相加获得最终需水量结果，对城市供水保障、水资源利用和可持续发展具有重要意义。

88、具体地，与现有技术相比，本发明所提供的基于分解集成与智能加权的城市需水量组合预测方法、电子设备及介质具有如下有益效果：

89、1)、结合了esmd(极点对称模态分解)、fe(模糊熵)、ewt(经验小波变换)的两阶段分解方法将非平稳的原始用水量数据分解成复杂度较低的分量，模型能够更好地从各个分量中学习到数据的特征，有效地平衡模型复杂度和计算性能。

90、2)、针对单一预测模型不能充分捕捉具有多种特征的分量的所有特征的缺陷，采用bigru和timesnet组合模型分别对各分量进行预测。利用ikoa发现更加理想的权重对各分量的预测结果进行综合，进一步提高需水预测的准确度和可靠性。

91、3)、在搜索空间中，种群分布均匀可以提高算法的遍历性和多样性；sobol序列具有较低的差异性，分布均匀性好，产生的初始种群多样性效果更好。迭代前期，收敛因子a递减缓慢，经过a的放大，使算法的全局搜索能力提高，提高算法探索最优解的能力；迭代后期，a递减迅速，有利于提高算法的局部搜索能力和收敛精度。改进后的开普勒优化算法具有更好的遍历性以及更快地收敛速度。