一种基于主要驱动因子筛选和深度学习的动态需水预测方法

1.本发明涉及一种基于主要驱动因子筛选和深度学习的动态需水预测方法，属于水资源利用和高效管理领域。


背景技术：

2.水是人类社会活动不可替代的重要自然资源，在经济社会发展中起着至关重要的作用。随着世界人口的不断增长、经济的持续飞跃发展、水资源时空分布越发不均、人类对水资源需求的提高及水资源的日益短缺等,水资源供需矛盾更加突出。因此,如何通过合理有效的水资源需求预测来缓解水资源供需矛盾已成了各个国家和地区进行水资源规划的主要任务之一。
3.目前，常见的水资源需求预测方法有时间序列法、灰色预测法及回归分析法等方法。经分析，发现上述现有技术存在如下缺点：基于时间序列法的需水预测方法不能定量反映诸多因素对需水量的影响，而且当遇到外界环境发生较大变化时，预测结果往往会有较大偏差；灰色预测法要求数据呈指数增长趋势,对波动性强的时间序列的预测精度较差,而水资源量等数据波动幅度常常较大；回归分析法需要大量的原始资料才能保证模型的准确性,连续完整的原始资料的获取是比较困难的,并且在短期预测中由于用水量数据波动性很大、影响因素复杂，一般不宜采用。


技术实现要素：

4.基于此，本发明提出一种具有较高预测精度和预测鲁棒性的方法，即基于主要驱动因子筛选的lstm深度学习动态需水预测方法，应用spearman秩相关分析确定研究区各用水部门的主要驱动因子，然后对实测数据进行归一化处理作为训练数据，将其作为基于主要驱动因子筛选的lstm(long short-term memory，长短期记忆)神经网络预测模型的多变量输入进行训练，经率定验证获得有效的神经网络后将样本数据输入进行预测，经过合理性检验后分用水部门获得需水量预测值结果。
5.本发明还将该方法与单变量输入lstm神经网络预测方法进行对比，结果显示本发明的需水预测方法更加有效，精确度更高，更适用于时间序列的处理，而且本发明根据不同地区的不同行业选取不同的主要驱动因子作为多变量输入，具有因地制宜、动态适应的功能。
6.本发明采用下述的技术方案：
7.一种基于主要驱动因子筛选的lstm深度学习动态需水预测方法，该方法包括如下步骤：首先通过spearman秩相关分析确定研究区域各用水部门的主要驱动因子，然后对实测数据进行归一化处理并分为训练集与测试集，将训练集作为基于主要驱动因子筛选的lstm(long short-term memory，长短期记忆)神经网络预测模型的多变量输入进行训练，采用测试集对预测模型进行进一步验证，经率定验证获得有效的深度学习预测模型后将样本数据输入进行预测，经过合理性检验后分用水部门获得需水量预测值结果。
8.所述基于主要驱动因子筛选的lstm深度学习动态需水预测方法具体包括以下步骤：
9.(1)应用spearman秩相关分析识别主要驱动因子，确定模型输入因子；
10.(2)将筛选后的主要驱动因子进行归一化处理，依据深度学习算法样本划分规则为训练集与测试集；
11.(3)根据数据特点，设置基于主要驱动因子筛选的lstm深度学习预测模型的参数如神经网络层数、每层神经元节点数及训练次数；
12.(4)基于主要驱动因子筛选的lstm深度学习预测模型输出拟合值，计算loss损失函数，调节神经元权重；
13.(5)重复(4)至训练次数达到预期值；
14.(6)判断模型是否收敛，若未收敛则重新选择深度学习模型参数直至模型收敛；
15.(7)将已收敛的深度学习预测模型应用于测试集，基于主要驱动因子筛选的lstm深度学习预测模型输出预测值，计算rmse和r2，进行有效性检验，从而得到基于主要驱动因子筛选的lstm深度学习预测模型；
16.(8)输入样本数据，输出各用水部门需水量预测值，对需水量预测值进行合理性检验。
17.上述技术方案中，进一步地，所述步骤(1)中采用spearman秩相关分析方法确定研究区域各用水部门的主要驱动因子，具体为：利用单调方程评价两个统计变量的相关性，选择相关度最高的3-5个驱动因子作为各用水部门的主要驱动因子，将选择的主要驱动因子作为多变量输入预测模型中。
18.进一步地，所述的步骤(6)中，若基于主要驱动因子筛选的lstm深度学习预测模型训练未收敛，需重新选取神经网络层数、每层神经元节点数及训练次数直至模型收敛。
19.进一步地，所述步骤(7)中，有效性检验参考rmse及r2的数值，r2大于0.8，rmse小于5.0即为有效。
20.进一步地，所述步骤(8)中，预测值合理性检验主要基于四个检验原则：总需水预测增长趋势与gdp增长变化情况趋势是否一致；需水预测成果是否符合用水总量控制、用水效率控制指标要求；需水预测成果与规划需水是否相符；需水结构与用水趋势变化是否与区域发展趋势相符。
21.进一步地，当研究另一研究区的需水预测时，需重新选择各用水部门的需水预测主要驱动因子，起到因地制宜筛选主要驱动因子的功能。
22.本发明的有益效果：
23.本发明的基于主要驱动因子筛选和深度学习的动态需水预测方法，有效解决了单因子lstm深度学习需水量预测模型稳定性差，物理机制薄弱的问题。相较于传统定额法、回归分析法等需水预测方法，基于主要驱动因子筛选的多因子lstm深度学习需水预测方法也展现除更强的灵活性和适用性，对于经济社会高速发展背景下用水结构不断变化的情况具有较强的适应能力和自更新能力。对于区域需水预测可提供一定科学参考。本发明方法考虑区域发展实际情况，因地制宜选取各行业主要驱动因子作为多变量输入，改善单变量输入预测能力低和预测稳定性差的缺陷，应用该方法进行需水预测的结果更加准确，精度更高。
附图说明
24.图1表示本发明基于主要驱动因子筛选的lstm深度学习动态需水预测方法的流程图。
25.图2表示基于主要驱动因子筛选的lstm深度学习动态需水预测模型的具体实施步骤。
26.图3表示根据本发明的一个具体实施方式得到的基于spearman秩相关分析筛选所得各用水部门主要驱动因子；
27.图4表示根据本发明的一个具体实施方法得到的需水预测曲线以及根据单变量输入lstm深度学习需水预测模型得到的预测曲线以及实际用水曲线图。
28.图5表示根据本发明的基于主要驱动因子筛选的lstm深度学习动态需水预测模型与根据单变量输入lstm深度学习需水预测模型效果对比图。
具体实施方式
29.为使本发明的目的、技术方案和优点更加清楚明白，以下结合具体实施例，并参照附图，对本发明进一步详细说明。
30.本发明的基于主要驱动因子筛选和深度学习的动态需水预测方法的工作流程如图1所示，首先应用spearman秩相关分析确定研究区域各用水部门的主要驱动因子，然后对实测数据进行归一化处理并分为训练集与测试集，将训练集作为基于主要驱动因子筛选的lstm深度学习预测模型的多变量输入进行训练，采用测试集对预测模型进行进一步验证，经率定验证获得有效的深度学习预测模型后将样本数据输入进行预测，经过合理性检验后分用水部门获得需水量预测值。
31.图1中基于主要驱动因子筛选的lstm深度学习动态需水预测方法的具体为：
32.(1)应用spearman秩相关分析识别主要驱动因子，确定模型输入因子；
33.(2)将筛选后的主要驱动因子进行归一化处理，依据深度学习算法样本划分规则为训练集与测试集；
34.(3)根据数据特点，设置基于主要驱动因子筛选的lstm深度学习预测模型的参数如神经网络层数、每层神经元节点数及训练次数；
35.(4)基于主要驱动因子筛选的lstm深度学习预测模型输出拟合值，计算loss损失函数，调节神经元权重；
36.(5)重复(4)至训练次数达到预期值；
37.(6)判断模型是否收敛，若未收敛则重新选择深度学习模型参数直至模型收敛；
38.(7)将已收敛的深度学习预测模型应用于测试集，基于主要驱动因子筛选的lstm深度学习预测模型输出预测值，计算rmse和r2，进行有效性检验，从而得到基于主要驱动因子筛选的lstm深度学习预测模型；
39.(8)输入样本数据，输出各用水部门需水量预测值，对需水量预测值进行合理性检验。
40.以某省2000-2020年各行业用水量为例，主要驱动因子识别结果如图3所示，预测结果如图4所示，20年的用水实际值与预测值的rmse和r2数值符合要求，相关性较高，预测精度更高，与传统的单变量lstm预测模型相比，对比结果如图5所示，依据区域特点并分用
水部门考虑需水量主要驱动因子的影响，其驱动模型的输入因子相较于单变量lstm预测模型物理机制更强，多个主要相关因子的输入也进一步提高了模型的稳定性。
41.本发明筛选数据应用spearman秩相关分析方法，利用单调方程评价两个统计变量的相关性，每个行业各选取3-5个主要驱动因子作为多变量输入。
42.若基于主要驱动因子筛选的lstm深度学习预测模型训练未收敛，需重新选取神经网络层数、每层神经元节点数及训练次数直至模型收敛。有效性检验参考rmse及r2的数值，r2大于0.8，rmse小于5.0即为有效。
43.预测值合理性检验主要基于四个检验原则：总需水预测增长趋势与gdp增长变化情况趋势是否一致；需水预测成果是否符合用水总量控制、用水效率控制指标要求；需水预测成果与规划需水是否相符；需水结构与用水趋势变化是否与区域发展趋势相符。
44.当研究另一研究区的需水预测时，需重新选择各行业的需水预测主要驱动因子，起到因地制宜筛选主要驱动因子的功能。
45.以上所述的具体实施例，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施例而已，并不用于限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，包括但不限于，主要驱动因子个数增多，时间步长的大小改变等，均应包含在本发明的保护范围之内。