城鎮(zhèn)智慧水務(wù)日用水量預(yù)測(cè)方法改進(jìn)分析

孫小燕

(惠州市供水有限公司，廣東 惠州 516001)

1 概 述

隨著5G技術(shù)的發(fā)展，新基建應(yīng)運(yùn)而生，隨之而來的是智慧城市建設(shè)。作為智慧城市建設(shè)中重要一環(huán)的智慧水務(wù)，通過與新一代的5G技術(shù)與水務(wù)技術(shù)深度融合，用以實(shí)現(xiàn)水務(wù)系統(tǒng)的精確化、智能化管理，保證水務(wù)系統(tǒng)有效、科學(xué)地運(yùn)行，從而極大地節(jié)省人力成本。在實(shí)際生活中，要采用信息技術(shù)對(duì)水務(wù)供給系統(tǒng)實(shí)施全過程監(jiān)控，其中重要的一環(huán)是對(duì)城市用水量進(jìn)行精確的預(yù)測(cè)[1-5]。

為此，許多學(xué)者采用不同方法對(duì)城市用水量進(jìn)行了預(yù)測(cè)。李琳[6]以鄭州市為例，對(duì)城市用水量的預(yù)測(cè)方法進(jìn)行總結(jié)，并采用灰色GM(1，1)模型及用水量定額法對(duì)鄭州市用水量進(jìn)行了預(yù)測(cè)，結(jié)果顯示鄭州市用水量總體呈現(xiàn)出非線性增長(zhǎng)趨勢(shì)。鄒廣宇[7]分析了城市用水量的影響因素，通過BP神經(jīng)網(wǎng)絡(luò)建立預(yù)測(cè)動(dòng)態(tài)用水量的預(yù)測(cè)模型，并通過沈陽市用水量對(duì)模型進(jìn)行驗(yàn)證，結(jié)果顯示該模型誤差較小。王圃[8]基于傳統(tǒng)灰色模型的局限性，在無偏灰色GM(1，1)的模型之上，提出一種加權(quán)組合模型，并使用該模型與無偏灰色GM(1，1)模型與非線性模型進(jìn)行自由組合，通過該種組合模型對(duì)遂寧市用水量進(jìn)行預(yù)測(cè)，研究顯示預(yù)測(cè)結(jié)果與實(shí)際效果吻合較好。嚴(yán)旭[9]采用GA遺傳算法對(duì)傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型進(jìn)行了改進(jìn)，結(jié)合深圳市用水量特點(diǎn)，得出合適的輸入變量建立了預(yù)測(cè)模型，并對(duì)比深圳市的用水量驗(yàn)證了該模型的可靠性。

上述研究通過建立預(yù)測(cè)模型或算法對(duì)城市用水量進(jìn)行了預(yù)測(cè)，并給予一定的驗(yàn)證。但實(shí)際上，用水量的變化特點(diǎn)具有一定的時(shí)變形和非線性，需要考慮到氣溫等諸多因素，而傳統(tǒng)的預(yù)測(cè)模型或算法往往很難體現(xiàn)這一點(diǎn)。因此，本文基于5G智慧水務(wù)技術(shù)，以H市自來水公司2020年的數(shù)據(jù)為研究對(duì)象，在考慮不同影響因素的條件下，對(duì)LR、SVR、BPNN這3種算法進(jìn)行評(píng)估、改進(jìn)，并對(duì)改進(jìn)后的算法進(jìn)行對(duì)比分析。

2 項(xiàng)目技術(shù)概況

工信部〔2020〕25 號(hào)文件提出，建立 NB-IoT(窄帶物聯(lián)網(wǎng))、4G(含 LTECat1)和 5G 協(xié)同發(fā)展的移動(dòng)物聯(lián)網(wǎng)綜合生態(tài)體系，在深化 4G 網(wǎng)絡(luò)覆蓋、加快5G 網(wǎng)絡(luò)建設(shè)的基礎(chǔ)上，以 NB-IoT 滿足大部分低速率場(chǎng)景需求，以 LTE-Cat1滿足中等速率物聯(lián)需求和話音需求，以 5G 技術(shù)滿足更高速率、低時(shí)延聯(lián)網(wǎng)需求。

在智慧水務(wù)項(xiàng)目實(shí)施過程中，很多應(yīng)用場(chǎng)景基于 NB-IoT 實(shí)現(xiàn)物聯(lián)感知和智慧應(yīng)用，NB-IoT 是 5G 的先行者，將成為 5G 關(guān)鍵技術(shù)之一。當(dāng)前 NB-IoT 在 R15 版本能夠支持 NB-IoT 和 NR 空口共存，R16 版本支持 NB-IoT 接入 5G 核心網(wǎng)。根據(jù) 3GPP 自評(píng)估和中國(guó)獨(dú)立評(píng)估結(jié)果，NB-IoT 滿足 ITU mMTC 的要求，并已經(jīng)通過 5G 候選提交，2020 年 7 月正式成為 ITU 5G 標(biāo)準(zhǔn)。

當(dāng)前，業(yè)界已經(jīng)認(rèn)可 5G mMTC 的 LPWA 標(biāo)準(zhǔn)將基于 NB-IoT 平滑演進(jìn)。因此，在當(dāng)前智慧水務(wù)的網(wǎng)絡(luò)基礎(chǔ)設(shè)施建設(shè)中，必然會(huì)出現(xiàn) NB-IoT 與 5G 網(wǎng)絡(luò)融合的應(yīng)用搭配。5G 作為第 5 代蜂窩網(wǎng)絡(luò)，相比 4G 在峰值速率、網(wǎng)絡(luò)容量、連接密度等網(wǎng)絡(luò)性能方面有 10～100 倍的增強(qiáng)，其大寬帶、低時(shí)延、大連接的特性，將在智慧水務(wù)領(lǐng)域掀起一波新的物聯(lián)網(wǎng)應(yīng)用浪潮。水務(wù)公司可以利用 5G 網(wǎng)絡(luò)實(shí)現(xiàn)全方位、立體化的智慧水務(wù)管理，特別是水務(wù)管網(wǎng)巡視、水廠無人值守視頻監(jiān)控、VR 無人機(jī)安防等，而在遠(yuǎn)程抄表等領(lǐng)域繼續(xù)采用 NB-IoT 平滑演進(jìn)到 5G，從而兼顧更多更優(yōu)的技術(shù)特征，豐富不同的應(yīng)用場(chǎng)景。

3 研究方法

本文采用3種算法作為預(yù)測(cè)5G智慧水務(wù)用水量的基本預(yù)測(cè)研究算法，其中包括線性回歸算法(LR算法)、支持向量回歸算法(SVR算法)、神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法(BPNN算法)。

3.1 LR算法

線性回歸算法(LR)因其簡(jiǎn)單基礎(chǔ)，是目前學(xué)界廣泛采用預(yù)測(cè)用水量的機(jī)器學(xué)習(xí)算法之一。對(duì)于用水量的預(yù)測(cè)，其線性回歸模型為：

Lθ(x)=θ0+θ1x1+θ2x2+…+θnxn

(1)

式中：Lθ(x)為預(yù)測(cè)用水量；x1，x2，…，xn為自變量影響因素；θ0為回歸常數(shù)；θ1，…，θn為權(quán)重系數(shù)。

3.2 SVR算法

用水量預(yù)測(cè)采用支持向量回歸算法(SVR)在支持向量機(jī)算法(SVM)的基礎(chǔ)上，更加適用于此類回歸分析。對(duì)于線性函數(shù)模型而言，通過在線性函數(shù)兩側(cè)設(shè)置間隔帶，對(duì)落入間隔帶內(nèi)的樣本不計(jì)入損失，以此來最小化總損失和最大化間隔帶；而對(duì)于非線性函數(shù)則是通過核函數(shù)映射到線性空間之后，再進(jìn)行回歸分析。采用SVR算法對(duì)用水量進(jìn)行預(yù)測(cè)，假設(shè)間隔帶函數(shù)為：

f(x)=λTx+b

(2)

則利用該間隔帶函數(shù)可得到SVR求解的模型為：

(3)

式中：m為日用水量數(shù)據(jù)；αi為拉格朗日乘子；κ(x，xi)為核函數(shù)；yi為第i個(gè)樣本的實(shí)際日用水量；ε為允許誤差。

3.3 BPNN算法

神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法(BPNN)是目前最為常用的預(yù)測(cè)算法，由輸入層、隱層、輸出層構(gòu)成，通過不同數(shù)量的神經(jīng)元構(gòu)成。采用BPNN算法對(duì)用水量進(jìn)行預(yù)測(cè)時(shí)，需確定神經(jīng)元數(shù)量和最大迭代次數(shù)，并通過神經(jīng)網(wǎng)絡(luò)的輸出值與實(shí)際用水量的誤差，不斷更新連接權(quán)重。見圖1。

圖1 神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法(BPNN)結(jié)構(gòu)圖

4 結(jié)果分析

4.1 用水量影響因素分析

本文以H市自來水公司2020年5月的用水量數(shù)據(jù)為例，將與方差相差較大的數(shù)據(jù)去除，并對(duì)該公司所在城市的用水量樣本數(shù)據(jù)進(jìn)行分析。城市用水量受諸多因素影響，但一般受溫度、節(jié)假日、天氣等因素影響較大。本文以5月份日期為橫坐標(biāo)，以用水量為左縱坐標(biāo)，4種主要影響因素為右縱坐標(biāo)，總結(jié)該公司所在城市5月份的用水量及影響因素，并繪制圖2。圖2中，0為工作日，1為節(jié)假日，天氣情況為量化后的效果，具體參考見表1。

圖2 H市5月份用水量隨4種影響因素變化圖

表1 天氣情況量化數(shù)據(jù)表

圖2(a)和圖2(b)為最高氣溫與最低氣溫影響下的日用水量變化圖。從圖2(a)和圖2(b)中可以看出，隨著氣溫的升高，用水量也會(huì)隨之升高，溫度與用水量的變化呈現(xiàn)正相關(guān)。從圖2(c)可以看出，在工作日與節(jié)假日時(shí)，日用水量并無較大變化，其原因在于本次統(tǒng)計(jì)的用水量數(shù)據(jù)包含工業(yè)用水，由于工業(yè)用水量的存在，在節(jié)假日時(shí)整體用水量不會(huì)出現(xiàn)太大變化。圖2(d)為量化后的天氣情況影響下的日用水量變化圖，結(jié)合表1可以看出，天氣較好時(shí)日用水量有上升趨勢(shì)，但日用水量會(huì)隨著天氣轉(zhuǎn)陰轉(zhuǎn)雨而略有下降。

為了得出圖2中4種影響因素與日用水量的相關(guān)性，通過具體數(shù)據(jù)求取二者的相關(guān)系數(shù)ρ：

式中：ρ為相關(guān)系數(shù)；COV為協(xié)方差；X為影響因素因素；Y為日用水量。

通過式(4)得到不同影響因素與日用水量的相關(guān)系數(shù)，見表2。

表2 4種影響因素與日用水量的相關(guān)系數(shù)

從表2中可以看出，氣溫與日用水量的相關(guān)性最大；其次為天氣情況；節(jié)假日與日用水量的相關(guān)系數(shù)為負(fù)數(shù)，二者相關(guān)程度最低。

4.2 預(yù)測(cè)算法改進(jìn)分析

分別采用LR、SVR、BPNN算法對(duì)H市自來水公司的數(shù)據(jù)進(jìn)行預(yù)測(cè)。針對(duì)4個(gè)不同影響因素，通過建模與測(cè)試，對(duì)SVR算法的核函數(shù)選取RBF函數(shù)，并將函數(shù)中的參數(shù)C和g分別取值為3和0.016；對(duì)于BPNN算法則選取4個(gè)輸入層，20個(gè)隱層和1個(gè)輸出層。將此3種算法下輸出的預(yù)測(cè)結(jié)果對(duì)比真實(shí)用水量，并進(jìn)行預(yù)測(cè)誤差的統(tǒng)計(jì)，3種算法的預(yù)測(cè)誤差見表3。

表3 3種算法下的預(yù)測(cè)誤差

可以看出，3種算法的預(yù)測(cè)誤差偏大。為此，本文對(duì)3種預(yù)測(cè)算法進(jìn)行了改進(jìn)。在相關(guān)預(yù)測(cè)中，考慮到通過前一日用水量對(duì)整體用水量預(yù)測(cè)的重要性，本文統(tǒng)計(jì)了H市自來水公司前一日用水量和前8 h用水量的數(shù)據(jù)，見圖3。

圖3 前一日及前8 h用水量與日用水量對(duì)比

為了得到其相關(guān)程度的高低，同樣采用式(4)計(jì)算其相關(guān)系數(shù)，見表4。

表4 前一日及前8h用水量與日用水量相關(guān)系數(shù)

通過上述計(jì)算分析可知，前一日用水量與前8h用水量均與日用水量相關(guān)程度較高，因此將此兩種影響因素加入到預(yù)測(cè)算法之中，以便獲得更小的誤差。為了降低預(yù)測(cè)誤差，對(duì)相關(guān)算法進(jìn)行改進(jìn)，對(duì)SVR算法的RBF核函數(shù)關(guān)鍵參數(shù)C和g分別設(shè)置為68和0.01；BPNN算法的輸入層神經(jīng)元改為6個(gè)，隱層神經(jīng)元及輸出層神經(jīng)元數(shù)目均不變，分別設(shè)置50個(gè)測(cè)試集對(duì)相同的數(shù)據(jù)進(jìn)行預(yù)測(cè)，計(jì)算相關(guān)算法的預(yù)測(cè)誤差，并與改進(jìn)前算法的預(yù)測(cè)誤差進(jìn)行對(duì)比，結(jié)果見圖4。

圖4 3種算法改進(jìn)前后的預(yù)測(cè)誤差

從圖4中可以看出，對(duì)比改進(jìn)前算法，在算法改進(jìn)后誤差分布相對(duì)集中，整體誤差均處于0.1以下，說明改進(jìn)后的算法具備更好的預(yù)測(cè)效果。對(duì)比不同的算法可以看出，隨著測(cè)試集的變化，BPNN算法波動(dòng)程度較小，對(duì)于測(cè)試集內(nèi)的預(yù)測(cè)效果最好；而SVR算法波動(dòng)程度最大，穩(wěn)定性較差。

由于氣溫對(duì)日用水量的相關(guān)程度最高，因此為了得到改進(jìn)后算法在不同氣溫下的預(yù)測(cè)效果，本文對(duì)5月份進(jìn)行了劃分，1-14日為a組，15-31日為b組，SVR和BPNN主要參數(shù)設(shè)置均不變，設(shè)置30個(gè)測(cè)試集對(duì)預(yù)測(cè)誤差進(jìn)行測(cè)試，見圖5。

從圖5中可以看出，改進(jìn)后的LR算法和BPNN算法在不同溫度下，預(yù)測(cè)誤差較為集中，說明在不同溫度下此二種算法依然可以保持較高的預(yù)測(cè)精度；但對(duì)于SVR算法，溫度的變化會(huì)引起其預(yù)測(cè)誤差隨之發(fā)生改變，溫度變高或者變低時(shí)，其預(yù)測(cè)精度會(huì)隨之下降，但這種情況隨著測(cè)試集的增加而減小。

圖5 改進(jìn)后的3種算法在不同溫度下的預(yù)測(cè)誤差

5 結(jié) 論

本文基于5G智慧水務(wù)技術(shù)，以H市自來水公司2020年的數(shù)據(jù)為研究對(duì)象，在考慮溫度、節(jié)假日、天氣情況等影響因素的條件下，對(duì)LR、SVR、BPNN這3種算法進(jìn)行評(píng)估、改進(jìn)，并對(duì)改進(jìn)后的算法誤差進(jìn)行對(duì)比分析，結(jié)論如下：

1) 通過改進(jìn)SVR、BPNN算法的主要參數(shù)，改進(jìn)后算法的預(yù)測(cè)精度明顯較改進(jìn)前有進(jìn)一步提高。

2) LR、BPNN算法受測(cè)試集與溫度影響較小，但SVR算法受溫度影響較大，高溫或低溫均會(huì)減小其預(yù)測(cè)精度，通過增加測(cè)試集可以降低此類情況。建議在一般情況下，采用改進(jìn)后LR、BPNN算法；在測(cè)試比例較大時(shí)，可以采用SVR算法進(jìn)行用水量的預(yù)測(cè)。