申请/专利权人：河海大学

申请日：2021-07-19

公开（公告）日：2024-04-16

公开（公告）号：CN113537469B

主分类号：G06N3/0442

分类号：G06N3/0442;G06N3/0455;G06N3/082;G06Q10/04;G06Q10/0631;G06Q50/06

优先权：

专利状态码：有效-授权

法律状态：2024.04.16#授权;2022.01.14#实质审查的生效;2021.10.22#公开

摘要：本发明公开了一种基于LSTM网络和Attention机制的城市需水预测方法，该方法使用Attention机制改良了一般的LSTM模型，然后使用数据集对改良后的模型进行训练，比较LSTM的输出与实际值，得出预测误差，再使用预测误差更新网络参数，如此不断迭代，使得Attention改良后的LSTM模型能够自动学习到城市需水预测数据里隐藏的城市需水规律，从而实现城市需水预测。实际使用时，将历史数据输入到Attention‑LSTM模型，得到数据的预测结果。本发明使用Attention改进了一般的LSTM模型，对城市需水预测具有更小的误差，具有良好的准确性。

主权项：1.一种基于LSTM网络和Attention机制的城市需水预测方法，其特征在于，包括如下步骤：步骤1，获取城市每月的住宅用水数据，并按照城市邮编、年份、月份、六月前用水量、五月前用水量、四月前用水量、三月前用水量、二月前用水量、一月前用水量、温度、降水量以及当月用水量的顺序构建多元时间序列并从中选取N条数据xi,yi作为训练样本，i＝1,2,…,N，其中，分别表示相对于某月而言，某月以前的前6个月数据的特征向量：城市邮编、年份、月份、六月前用水量、五月前用水量、四月前用水量、三月前用水量、二月前用水量、一月前用水量、温度、降水量；将某月记为第D月，yi表示该地区的第D月用水量；步骤2，使用Attention机制改进LSTM网络模型，得到Attention-LSTM网络模型；步骤3，利用步骤1的训练样本对Attention-LSTM网络模型进行训练，每次将xi作为该模型的输入，得到一个预测结果；将模型的输出值与实际值进行误差比较，通过损失函数对不同的输出值进行求导，用反向传播算法向所有神经元传递误差；步骤4，根据误差值，使用随机梯度下降法对各层神经元更新权重与偏置值，每次调整幅度根据学习率进行；步骤5，重复步骤2-4，将迭代次数设置到足够梯度下降为0；步骤6，使用参数训练完毕的Attention-LSTM网络模型对某月某地区的当月需水量进行预测。

全文数据：

权利要求：

百度查询： 河海大学 一种基于LSTM网络和Attention机制的城市需水预测方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD