基于深度学习的城镇供水量预测的云平台设计

王强

摘要：随着计算机技术的快速发展，人工智能的不断深入，机器学习、深度学习技术应用广泛，云计算应用日趋成熟，因此可以设计一款城镇供水量预测的云平台，将基于深度学习的预测与基于云平台的架构有机结合。该文经过调研城镇供水公司，分析用户需求，创建供水模型，完成日供水量模型的训练，实现日供水量预测。在此基础上，借助云平台完成结构设计，提出城镇供水量预测原型系统的系统设计构成。 该设计针对具体城镇实施，既考虑落实国家节水用水的方针政策，又兼顾服务民生，提升水务信息化水平。

关键词：深度学习云计算;水务信息化

中图分类号：TP3   文献标识码：A

文章编号：1009-3044（2022）02-0001-03

目前国家将“建设节水型社会”纳入生态文明建设战略部署，节水用水上升到了国家战略。因此加强科技创新，提高水务信息化水平是十分必要的， 基于深度学习的城镇供水量预测的云平台设计也是围绕实现管网漏损率和节水降耗目标，提高水务信息化水平开展的科技研发。

1 研究背景分析

近5年，我国城镇人口不断增加， 城镇化进程持续加速，同时工业企业的规模稳步扩大，人民生活水平提高，这些因素都使得用水量不断增加，这样容易造成供水系统优化调度不合理，不仅损失了大量的清洁水源，消耗了大量的电能，还会造成管网压力偏高，增加水资源漏损或水管爆裂风险，造成生命财产损失，酿成事故，威胁到安全。因此实现城镇供水系统优化很有必要，而用水预测是供水系统优化的前提，传统的供水网系统优化、调度和水量预测带有主观性和片面性，达不到现代智慧城市的建设需要。

随着第四次工业革命的飞速发展， 智慧水务也随着时代的发展应运而生，一种更为精细化、动态化、智能化的水务管理模式成了改善国计民生的重要手段。在此背景下利用新一代信息技术解决城市供水的预测，提高用水节水效率，达到节水目标，是有较高的理论研究价值和较为广阔的应用前景的，是一项有意义的需求牵引下的民生工程。

2 国内外研究现状

2015年后人工智能因为神经网络的深入开发再次成为研究热点，随着多学科的交叉融合应用，现阶段计算机网络技术，计算机信息技术，神经网络和工程技术进行融合，为深度学习在城镇供水系统中的应用奠定了基础，使得城镇供水量预测系统这个交叉研究领域得以扩展。

通过阅读文献，目前发达国家和比较富裕的地区，已经在该领域进行了比较深入的研究并着手开始应用，很多学者、专家、政府官员也开始对此进行关注。

在美国，Jain 和 Ormsbee调研肯塔基州列克星敦市的供水情况，设计了一款决策支持系统，这个系统的主要功能是为了防范干旱造成的损失[1]，他们采用的技术是时间序列分析、人工神经网络、回归分析等，达到的效果是预测该市的用水量，辖区内肯塔基河流量，制定防范干旱的预测，指导辖区的农业生产和居民生活。

在英国，Froukh调研了泰晤士水务公司斯文顿的数据[2]，设计了一款决策支持系统，这个系统的主要功能是生活用水的预测，为了满足人民生活需要，合理调配资源。

在亚洲，Mohamed 和 Al-Mualla调研 Umm Al-Quwain 酋长国，它位于阿拉伯联合酋长国北部（UAE）的北部，这个地区是比较富裕的地区之一，因为旅游和石油的原因，但是水资源是相对紧张的，设计开发系统用于预测未来25年对水的需求量[3]。

在韩国，设计开发了一个决策支持系统，它的主要功能是预测用水需求和水资源管理，采用遗传算法[4]、人工神经网络的模型[5]，旨在達到不同区域之间水资源的有效配置。

在我国，对水资源的合理调配由来已久，我国最大的水资源调配工程就是南水北调。在南水北调项目中也设计了决策支持系统，通过水的可计算一般均衡模型实现供应的动态平衡，同时也可以对预测区域进行水的预测。由于工程浩大，适用于大范围、大区域，对于一般城镇精确度有待提高。

3 关键问题分析

经过查阅资料，目前在城市供水量预测模型研究方面有很多学者进行研究，因为考虑到信息技术的普及性，对市级以下区县、城镇的关注尚不重视。而供水量预测过程中会受到诸如降水量等客观因素的影响，而许多因素会因区县不同而不同，因此细化利于研究深入开展，也会适应城镇化进程加剧的需要。

研究学者提出了很多技术模型，在技术上有效推动人工智能的发展， 利用多元线性回归分析的方法对城镇用水进行预测[6]，采用有经典的时间序列预测模型[7]，采用人工神经网络模型[8]，采用支持向量回归模型[9]和改进ARIMA模型[10]进行城市供水量预测等。但是城镇供水管网系统是一个极其复杂的非线性系统，人口数量、 第一、二、三产业产值、城市降水量以及管网复杂性，都能引起供水量时间序列的变化，所以定量模型会有所偏差。

另外，随着城镇化进程的不断提升，城市供水量数据快速增长，不仅如此，数据类型复杂度提高， 使得预测平台的计算能力、存储能力和处理速度都面临挑战，传统单机环境的存储和计算已经不能达到要求，如果计算存储资料重复配置，又造成大量浪费。

解决这个问题最好的办法是应用云计算服务模式，它可以有效地针对海量数据、复杂数据进行存储、分析，利用分布式计算节点，通过网络提供服务，提高预测精度，因此构建基于深度学习的城镇供水量预测的云平台是有效手段。

3.1基于深度学习的预测

解决复杂系统问题和非线性问题采用基于人工智能的预测方法有优越性，支持向量机、人工神经网络和人工神经网络的变异模型是很好例证。支持向量机，简称为SVM，可以很好处理分类问题，并应用于回归问题，称为支持向量回归，简称为SVR[11]。人工神经网络（ANN）的基本的组成单位为神经元，简称为“单元”又被称为“节点”，是一种模拟生物的神经网络来处理信息的数学模型[12]。大量的神经元按照一定的层次结构相互连接起来就构成了 ANN。

当前城镇供水预测所要解决的突出问题是提高预测的准确性，研究随机因素导致的不确定性，提高系统的稳定性和可靠性[13]。深度学习模型通过构建深层次非线性网络拓扑结构，实现对任意复杂函数的逼近，分布式表示原始输入样本，体现出超强挖掘本质特征的能力[14]。因此城镇供水预测这个复杂的过程需要在深度学习架构中训练，提取复杂特征，达到有效预测。

3.2云计算平台的必要性

云计算能够根据用户的需求动态地进行部署、配置或者取消服务，可以将分布计算、并行计算、虚拟技术、网络存储融合，为用户提供海量复杂数据存储和高性能计算，非常适合目前大数据时代信息量徒增的现实。

4 关键问题解决方案

4.1日供水模型的建立

深度学习是一类深度神经网络学习算法，在传统的人工神经网络基础上发展而来。混沌理论是一种兼具质性思考与量化分析的方法，用以探索动态系统中无法用单一的数据关系，而必须用整体、连续的数据关系才能加以解释及预测的行为。

引入混沌理论对供水量时间序列进行分析，通过采用混沌特性识别对时间序列进行可预测分析，得出实例的可预测性[15]。即：利用功率谱和最大 Lyapunov 指数从定性和定量两个方面研究了日供水量时间序列的混沌特性，重构日供水量时间序列的相空间。

提出了供水预测模型1——基于混沌理论和连续深度信念神经网络（CDBNN）的日供水量预测模型。首先识别日供水量序列的规则性和不规則性。其核心是得到日供水量序列的功谱。通过定性分析和定量分析研究自来水厂日供水量序列的混沌特性，定性分析利用功率谱，定量分析利用最大 Lyapunov 指数。然后获取训练数据集特征，利用DBN实现逐层独立训练。最后进行微调，采用反向传播监督法。经过独立训练后，一次预测只输出下一天的日供水量的数据，预测完成后，对应日供水量的实际值与其他真实的历史数据一起构成新的输入数据，输入到 CDBNN 模型中，进行下一步预测。

提出了供水预测模型2——双尺度深度信念网络日供水量预测模型。首先分解原始日供水量序列，得到残差分量和固有模态函数 IMFs。一般采用EEMD技术完成。然后重构日供水序列的不确定项和确定性项，最后采用双 DBN 模型并对其进行预测，整合两个预测结果得到原始日供水量的预测值。

4.2云平台模型的建立

根据城镇供水量预测系统的实际需求，采用深度学习、模糊理论、云计算存储等技术，构建基于深度学习的城镇供水量预测云平台，其结构如图1所示。

基于深度学习的城镇供水量预测云平台将创建四层，分别是云平台层，算法层，接口层和界面层。

（1）云平台层：云平台层提供存储空间和计算服务，这是城镇供水预测云系统的重要组成部分，包括了HDFS文件系统、数据库、模型集合，提供分布式云计算机框架，可以采用Map Reduce作为云计算机框架。

云平台层的主要功能是实现供水量数据的存储，就目前而言随着城镇化的进程加速和工业企业规模扩大，供水量指数级增长的现状下，数据量是比较大的。其次在云平台层要以数据块的形式分布式存储模型，完成供水量历史数据的备份。第三，实现容错功能。

（2）算法层：算法层完成城镇供水系统原始数据的预处理，将处理后的数据按照比例分成训练数据和测试数据，完成模型的训练和供水量模型的预测，最后要进行性能评估。在算法层将以深度学习、模糊理论为指导，建立模型，训练模型，系统测试，因此算法层是整个供水预测云平台的核心层。

算法层的另外一个作用是交互性，主要表现与云平台的交互性，即在数据预处理、数据训练、数据模型测试和性能评估中，需要跟数据库、模型库进行协调，获取资源信息完成精度要求的预测。与用户的间接交互性，即：接收用户通过界面层传递的信息，同时在供水量模型完成测试后，要将测试结果返回给界面层。

在算法层中，模型的选取、模型的训练、模型的测试、性能评估是一个反复的过程，一方面要兼具用户的需求，面向特定的供水公司，考虑到供水量数据的差异性，另一方面要甄别、筛选、改进模型库中模型，选取与之对应的，根据预测模型的特点，从中寻求最好、最优的方案优化参数，构建输入特征和模型参数最有组合来完成模型构建。

（3）接口层：接口层的主要作用是实现数据交换和信息传递，接口层是通讯层，是连接界面层和算法层，算法层和平台层的通道。接口层是整个城镇供水量预测平台的运输线，包括了系统接口、存储接口、算法接口、查询接口和必要的传输接口。

（4）界面层： 界面层是用户与城镇供水量测试云平台的交互窗口，界面层是面向用户的，当用户发出指令，通过界面层达到人机对话的目的，将信息传递给平台，平台接收到用户的指令后，要执行响应的指令。当平台完成训练和测试工作，要将结果返回给用户，也是通过界面层将信息反馈给用户。用户根据测试结果，反馈信息，再次发出指令，平台接到指令，进行评估、优化、调整，继续训练、测试，反复多次，最终达到最优效果。

4.3实验方案的实施

在区县级自来水厂调研的基础上，采集数据，了解需求，把握规律，深入学习和研究云计算技术、人工智能技术和神经网络理论，建立供水模型，进行单步测试。对于衡量测试模型优劣的最重要的指标是考察其适应性和鲁棒性，单步测试是有效的手段。因为如果一个不准确的预测值发生，而真实值被用来修正下一步的预测，采用单步测试不会引起连锁反应，造成灾难性后果。测试完成，进行集成经验模态分解。它的作用是为了确定原始的日供水量时间序列的所有局部极小值和极大值。通过反复调整，优化对比，形成稳定模型。设计基于神经网络的供水预测云平台的方案，应用到区县级自来水厂，继续优化，不断完善，如图2所示。

5 结论

韩国作为我国近邻，其应用人工智能技术为生产、生活服务起步也很早，利用人工神经网络的模型预测用水需求做过很好地尝试，也促进了城市内不同区域之间水资源的有效配置。因此韩国在人工智能应用的经验值得借鉴，为此我与韩国建立联系，交流深造、取长补短，学习更多知识，达到自我提升的目的。

随着计算机技术的快速发展，人工智能的不断深入，基于深度学习的城市供水量预测云平台实现计算机技术与工程技术等多学科的信息融合，可以较为精确地预测供水结果和利用供水结果，其鲁棒性和动态反馈性也比较好。

城镇供水量预测纳入智慧城市的规划建设，可以优化区县级泵站的调度，使得用户在不同时间段内对水量的需求得到满足，一方面用户正常用水需求得到保证，生產电耗能够降低，能源开支得到节省，三四季度出现的能源紧张的局面也可以缓解，另一方面满足人民群众对水质提升的要求，尽可能指导自来水公司的生产、输送、分配、调度和用户用水同时进行，让水不过久存储，降低水质安全风险，使社会效益和经济效益最大化。

参考文献：

[1] Bai Y，Wang P，Li C，et al.Dynamic forecast of daily urban water consumption using a variable-structure support vector regression model[J].Journal of Water Resources Planning and Management，2015，141（3）：04014058.

[2] Jain A，Varshney A K，Joshi U C.Short-term water demand forecast modelling at IIT Kanpur using artificial neural networks[J].Water Resources Management，2001，15（5）：299-321.

[3] Liu J G，Savenije H H G，Xu J X.Forecast of water demand in Weinan City in China using WDF-ANN model[J].Physics and Chemistry of the Earth，Parts A/B/C，2003，28（4/5）：219-224.

[4] Bougadis J，Adamowski K，Diduch R.Short-term municipal water demand forecasting[J].Hydrological Processes，2005，19（1）：137-148.

[5] Adamowski J F.Peak daily water demand forecast modeling using artificial neural networks[J].Journal of Water Resources Planning and Management，2008，134（2）：119-128.

[6] Msiza I S，Nelwamondo F V，Marwala T.Water demand prediction using artificial neural networks and support vector regression[J].Journal of Computers，2008，3（11）：1-8.

[7] Babel M S，Shinde V R.Identifying prominent explanatory variables for water demand prediction using artificial neural networks：a case study of bangkok[J].Water Resources Management，2011，25（6）：1653-1676.

[8] Ghiassi M，Zimbra D K，Saidane H.Urban water demand forecasting with a dynamic artificial neural network model[J].Journal of Water Resources Planning and Management，2008，134（2）：138-146.

[9] Adamowski J，Karapataki C.Comparison of multivariate regression and artificial neural networks for peak urban water-demand forecasting：evaluation of different ANN learning algorithms[J].Journal of Hydrologic Engineering，2010，15（10）：729-743.

[10] Firat M，Turan M E，Yurdusev M A.Comparative analysis of neural network techniques for predicting water consumption time series[J].Journal of Hydrology，2010，384（1/2）：46-51.

[11] 李黎武，施周.基于小波支持向量机的城市用水量非线性组合预测[J].中国给水排水，2010，26（1）：54-56，59.

[12] Bai Y，Wang P，Li C，et al.A multi-scale relevance vector regression approach for daily urban water demand forecasting[J].Journal of Hydrology，2014，517：236-245.

[13] 刘洪波，郑博一，蒋博龄.基于人工鱼群神经网络的城市时用水量预测方法[J].天津大学学报（自然科学与工程技术版），2015，48（4）：373-378.

[14] 王圃，唐鹏飞，白云，等.基于多分辨BP神经网络的城市日供水量预测模型[J].中国给水排水，2018，34（11）：51-55，60.

[15] 赵鹏，张宏伟.城市用水量的混沌特性与预测[J].中国给水排水，2008，24（5）：90-93，97.

【通联编辑：朱宝贵】