论文部分内容阅读
供水量预测可为供水系统调度提供数据,还能为水务公司与客户用水需求保持供需平衡提供借鉴,达到节约能耗、提高水资源利用率的目的。为进一步提高城市供水量预测精度,本文将收集到某市两个不同规模水厂的实测数据作为研究对象,从日、月两个时间步长,开展了基于ARIMA-LSTM的城市供水量组合预测模型研究,取得的相关研究成果及结论如下:（1）基于数据预处理技术对原供水量时间序列进行预处理:将供水量时间序列进行平稳化以及缺失值的处理。首先根据原时间序列所具有的的特性将原时间序列进行分解;其次,运用传统差分算法以及季节性差分算法对原时间序列的非平稳部分进行平稳化,最后运用插值法进一步对数据缺失值进行处理。本文选取一共4组数据（日供水量两组和月供水量两组）均来自两个不同规模水厂,其中日供水量编号为一号水厂为0#,二号水厂1#,月供水量编号为一号水厂为2#,二号水厂3#。通过对实例供水量时间序列的个性分析发现其具有线性、非线性周期性及局部波动较大等特点,因此针对该特点,本案例各组供水量时间序列选取ARIMA模型与LSTM模型作为组合模型的基础模型。（2）基于整合自回归滑动平均（ARIMA）预测模型研究:ARIMA作为传统的时间序列预测模型,其线性趋势预测的效果比较好,收敛速度快、鲁棒性强,也是目前最为常用的时间序列模型。进而本研究选用ARIMA模型对4组供水量时间序列进行预测。预测结果表明:（1）ARIMA模型能够追踪供水量时间序列整体变化趋势,但局部预测效果有较大提升空间。（2）ARIMA模型在日供水量的预测上,MSE值分别为0#0.0299,1#0.0331,MAPE值分别为0#0.0335,1#0.0414;在月供水量的预测上MSE值分别为2#0.0286,3#0.0317;MAPE值分别为2#0.0320,3#0.0401。（3）从总体趋势上看,日供水量时序预测效果差于月供水量时序预测效果,即日供水量0#、1#的MSE和MAPE均值高于月供水量2#、3#。由此可见,ARIMA模型在非线性部分预测效果较差,将进一步影响整体的预测误差。（3）基于长短期记忆神经网络（LSTM）预测模型研究;长短期记忆神经网络（LSTM）作为新型的预测方法,其具有长时间记忆模式的能力,它的高级结构依赖于反馈连接,能够对供水量时间序列特点进行长短期记忆。本研究对LSTM模型理论、建模步骤进行简介分析并建立模型对4组供水量时间序列进行预测。预测结果表明:（1）相对于ARIMA而言,LSTM模型对时间序列非线性趋势预测较好且对整体拟合效果良好。（2）与ARIMA模型比较,LSTM模型预测精度有一定的提升,日供水量的预测上,MSE值分别为0#0.0124,1#0.01731,MAPE值分别为0#0.0118,1#0.0136;在月供水量的预测上MSE值分别为2#0.0194,3#0.0247;MAPE值分别为2#0.0199,3#0.0202,可见LSTM模型在日供水量或月供水量时序预测上MSE以及MAPE值均比ARIMA模型小。（3）由于LSTM模型能够对供水量时间序列特点进行长短期记忆,因而能够对供水量时序的周期预测更加准确。但是,LSTM模型不能展现所有数据的特征,在整体预测方面可能会有部分的缺失。（4）基于ARIMA-LSTM组合预测模型研究:鉴于单一预测模型存在精度低、预测范围局限等问题,本研究选用ARIMA模型和LSTM模型作为基础模型进行串并联组合。首先利用串联方式,将ARIMA模型及LSTM模型进行组合,LSTM模型用于ARIMA模型的误差修正,即对ARIMA模型非线性部分进行预测,从而得到ARIMA模型最终预测结果。其次,利用固定权重分别将ARIMA模型最终预测结果与LSTM模型预测结果并联加权组合得到ARIMA-LSTM串并联加权组合模型的预测结果。最后,利用该组合模型对四组供水量实例进行预测验证,并将组合模型预测结果与单一模型（ARIMA模型、LSTM模型）进行比较分析。预测结果表明:（1）串并联加权组合预测模型能追踪四组供水量时间序列的整体变化趋势（2）相较于各单一模型而言,ARIMA-LSTM串并联加权组合预测模型大幅提升了预测精度,降低了预测误差。ARIMA-LSTM组合模型的MSE、MAPE两个评价指标较ARIMA单一模型提升了约0.06、0.09,较LSTM单一模型提升了约0.013、0.011。（3）ARIMA-LSTM串并联加权组合预测模型在追踪四组供水量时间序列的整体变化趋势的基础上结合了线性与非线性模型的优点,且对于数据集比较多的情况下预测效果更好。（4）其组合模型具有更佳的的稳定性和更短的运算时间,证明了本组合模型对于供水量时序预测是可行的。本文提出的ARIMA-LSTM串并联加权组合预测模型在为城市供水量预测以及其他相关研究提供新思路。