AI预测居民用水量，助力城市智慧供水

来源： 智子AI

数据猿官网 | www.datayuan.cn

我国水资源目前面临着总量匮乏和分布不均的问题，这些都给城市水务部门的工作带来不小的挑战。随着人工智能技术的发展和计算机运算能力的增强，各个城市的水务部门纷纷展开智慧供水项目的研究，其中的核心内容就是对居民用水量的准确预测。

居民用水量预测以时间维度进行划分，可以分为中长期预测和短期预测，其中短期预测主要是日用水量和时用水量的预测，预测结果可以辅助水务部门进行供水系统的规划、管理和运营，助力城市的可持续发展。

对于居民用水量的预测方法有很多，目前大致可以分为三类，第一类为时间序列预测法，仅依赖历史数据进行建模预测，比如自回归法等；第二类为结构分析法，除利用历史数据外，还需要考虑与用水量相关的其他因素，但该方法要求给出各种影响因素与用水量之间的显示关系，然而这种关系并不容易得到；第三类是系统方法，与结构分析法类似，使用多种用水量的影响因素及历史数据，采用神经网络等非线性模型来建立预测系统。本篇文章以某城市的居民时用水量和日用水量预测为实例，采用系统方法对日用水量和时用水量进行预测。

针对居民用水量预测，一般采用绝对百分比误差和平均绝对百分比误差来评价预测模型的预测精度，以群体稳定性指标PSI值评价预测模型的稳定性。

时用水量预测模型

针对时用水量而言，它的变化以日、周、年为周期会呈现出一定的周期性，受气候因素以及社会人文因素的影响不大，所以决定只使用时用水量历史数据作为输入变量进行建模。现有的历史数据由于种种原因，存在缺失值、极端值、噪声以及非平稳性等问题，所以先对数据进行了预处理，包括归一化、数据平滑、拉格朗日插值法等等，使用预处理过的数据来进行建模。

在建模过程中，使用了支持向量机和BP神经网络的方法分别建立预测模型，最后再将二者相结合进行组合模型的建立，具体是用SVM模型描述用水量关系的周期性和连续性，再用BP神经网络捕捉SVM模型的非线性误差，从而修正SVM模型的误差，达到更好的预测效果，三个模型的预测效果及稳定性如下表所示：

在一般的智慧供水项目中，认为对于时用水量预测精度在95%以上是成功的。对于PSI值，认为当小于0.1时模型稳定性很好，处于0.1至0.25之间，模型稳定性可以接受，当大于0.25时模型的稳定性差，建议重新建模。所以就上述的三种预测模型而言，都具有很大的应用价值，特别是组合模型，预测精度可以达到97.4%左右。

日用水量预测模型

针对居民日用水量，依然使用SVM和BP神经网络的方法进行建模，考虑到日用水量受气候和人文因素影响较大，在建模过程中选取了几个影响因素和历史用水量数据共同作为输入变量。选取的主要影响因素包括最高气温、最低气温、阴晴状况、日期量（星期几），并对其中不同的状况进行赋值。比如对日期量的赋值规则如下:

对于日用水量数据进行了相关性分析，结果表明距离预测日前第七日的历史用水量数据与预测日的用水量相关性最大，所以将预测日前第七日的历史数据也作为模型的输入变量。

对于组合模型的建立，选择将SVM模型和BP模型的预测结果加权求和，权重的大小作为超参数采用网格搜索的方式进行调参，最终三种模型的预测精度均达到项目要求，予以在实际供水调度种使用，其中组合模型的预测精度可以达到97.7%，超过项目要求的95%的准确率，模型的具体效果如下所示：

相关水务部门可以根据模型预测结果来进行水价调整、管网优化以及资源管理等等，大大促进智慧供水的新发展。

因为居民用水量数据属于时间序列，除了上述的几种建模预测方法，还可以通过使用可以处理时序信息的模型进行预测，比如长短期记忆网络（LSTM）等等。

上述提及的数据预处理、支持向量机和BP神经网络建模方法都可以在可视化人工智能平台Sophon中完成，该平台也可以通过智能的自动建模大大提高数据的处理效率，快速获得初始精度较高的模型。