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。