以下文章来源于FESE Message ，作者文字宣传工作组
提 要
短时城镇需水量预测是供水系统管理与优化的关键步骤，预测水量可以为供水系统的实时水量分配提供指导，从而保障供水安全以及节约供水能耗。目前基于深度学习的短时需水量预测模型虽然能够达到比较好的预测效果，但是预测结果容易受到高频噪声的影响，因此预测精度仍有提升空间。这篇论文介绍了一种新颖的深度学习框架——Wavelet-CNN-LSTM，通过结合频谱分解方法与深度学习模型预测短期城镇需水量，提升预测精度。
研 究 概 览
我国城镇化进程的不断推进和节能减排政策的深入落实对供水系统管理的效率和优化提出了更高的要求。作为供水系统管理的基础，短时用水量预测能够指导供水系统的实时水量分配，保障供水安全和降低供水成本。以循环神经网络（GRU和LSTM）为主的深度学习模型受高频噪声影响较大，预测精度仍待提升。
本研究结合小波多分辨率分析、卷积神经网络和长短时记忆网络，提出了Wavelet-CNN-LSTM模型（图2），实现对关键用水需求特征的自动提取，在单步预测和多步预测中，预测精度和稳定性优于传统深度学习模型。
图2 Wavelet-CNN-LSTM 模型结构
为了验证模型的效果，研究对Conv1D、MLP、LSTM、GRUN四种不同的深度学习模型的测试集的预测效果进行了比较，结果表明Wavelet-CNN-LSTM模型具有更好的预测效果（图3，4）。
图3 Wavelet-CNN-LSTM与MLP、Conv1D、LSTM、GRUN四种模型的预测效果对比分析
图4 Wavelet-CNN-LSTM与MLP、Conv1D、LSTM、GRUN四种模型在20个随机采样的测试集上的预测误差分布对比分析
研究进一步对Wavelet-CNN-LSTM模型的优良性能进行了机理分析，表明小波多分辨率分析对提高模型精度有显著影响。通过以近似熵作为时序数据可预测性的度量指标，结合对小波分解的不同频域分量的预测效果分析（图5、6），发现低频分量的预测精度远比高频分量的预测精度重要。小波分解之所以能提高预测精度，是因为通过分离低频和高频项，减少了高频随机分量的影响，更好地捕捉低频分量中的长期依赖性。虽然该模型对高频分量的预测精度很差，但对整体预测结果没有显著影响。
图5 小波多分辨率分解后不同频域的分量（cA3, cD3,cD2, cD1）
图6 小波多分辨率分解后不同频域的分量（cA3, cD3,cD2, cD1）
本文内容来自FESE期刊2023年第17卷第2期发表的Research article文章 “A hybrid Wavelet-CNN-LSTM deep learning model for short-term urban water demand forecasting”。通讯作者为同济大学信昆仑教授。
引用格式：Zhengheng Pu, Jieru Yan, Lei Chen, Zhirong Li, Wenchong Tian, Tao Tao, Kunlun Xin. A hybrid Wavelet-CNN-LSTM deep learning model for short-term urban water demand forecasting. Front. Environ. Sci. Eng., 2023, 17(2): 22
本文来自Special issue—Artificial Intelligence/Machine Learning on Environmental Science & Engineering
转自：“高教学术”微信公众号
如有侵权，请联系本站删除！
