基于深度學習的城鎮供水量預測的云平臺設計

王強

摘要：隨著計算機技術的快速發展，人工智能的不斷深入，機器學習、深度學習技術應用廣泛，云計算應用日趨成熟，因此可以設計一款城鎮供水量預測的云平臺，將基于深度學習的預測與基于云平臺的架構有機結合。該文經過調研城鎮供水公司，分析用戶需求，創建供水模型，完成日供水量模型的訓練，實現日供水量預測。在此基礎上，借助云平臺完成結構設計，提出城鎮供水量預測原型系統的系統設計構成。 該設計針對具體城鎮實施，既考慮落實國家節水用水的方針政策，又兼顧服務民生，提升水務信息化水平。

關鍵詞：深度學習云計算;水務信息化

中圖分類號：TP3 ? 文獻標識碼：A

文章編號：1009-3044（2022）02-0001-03

目前國家將“建設節水型社會”納入生態文明建設戰略部署，節水用水上升到了國家戰略。因此加強科技創新，提高水務信息化水平是十分必要的， 基于深度學習的城鎮供水量預測的云平臺設計也是圍繞實現管網漏損率和節水降耗目標，提高水務信息化水平開展的科技研發。

1 研究背景分析

近5年，我國城鎮人口不斷增加， 城鎮化進程持續加速，同時工業企業的規模穩步擴大，人民生活水平提高，這些因素都使得用水量不斷增加，這樣容易造成供水系統優化調度不合理，不僅損失了大量的清潔水源，消耗了大量的電能，還會造成管網壓力偏高，增加水資源漏損或水管爆裂風險，造成生命財產損失，釀成事故，威脅到安全。因此實現城鎮供水系統優化很有必要，而用水預測是供水系統優化的前提，傳統的供水網系統優化、調度和水量預測帶有主觀性和片面性，達不到現代智慧城市的建設需要。

隨著第四次工業革命的飛速發展， 智慧水務也隨著時代的發展應運而生，一種更為精細化、動態化、智能化的水務管理模式成了改善國計民生的重要手段。在此背景下利用新一代信息技術解決城市供水的預測，提高用水節水效率，達到節水目標，是有較高的理論研究價值和較為廣闊的應用前景的，是一項有意義的需求牽引下的民生工程。

2 國內外研究現狀

2015年后人工智能因為神經網絡的深入開發再次成為研究熱點，隨著多學科的交叉融合應用，現階段計算機網絡技術，計算機信息技術，神經網絡和工程技術進行融合，為深度學習在城鎮供水系統中的應用奠定了基礎，使得城鎮供水量預測系統這個交叉研究領域得以擴展。

通過閱讀文獻，目前發達國家和比較富裕的地區，已經在該領域進行了比較深入的研究并著手開始應用，很多學者、專家、政府官員也開始對此進行關注。

在美國，Jain 和 Ormsbee調研肯塔基州列克星敦市的供水情況，設計了一款決策支持系統，這個系統的主要功能是為了防范干旱造成的損失[1]，他們采用的技術是時間序列分析、人工神經網絡、回歸分析等，達到的效果是預測該市的用水量，轄區內肯塔基河流量，制定防范干旱的預測，指導轄區的農業生產和居民生活。

在英國，Froukh調研了泰晤士水務公司斯文頓的數據[2]，設計了一款決策支持系統，這個系統的主要功能是生活用水的預測，為了滿足人民生活需要，合理調配資源。

在亞洲，Mohamed 和 Al-Mualla調研 Umm Al-Quwain 酋長國，它位于阿拉伯聯合酋長國北部（UAE）的北部，這個地區是比較富裕的地區之一，因為旅游和石油的原因，但是水資源是相對緊張的，設計開發系統用于預測未來25年對水的需求量[3]。

在韓國，設計開發了一個決策支持系統，它的主要功能是預測用水需求和水資源管理，采用遺傳算法[4]、人工神經網絡的模型[5]，旨在達到不同區域之間水資源的有效配置。

在我國，對水資源的合理調配由來已久，我國最大的水資源調配工程就是南水北調。在南水北調項目中也設計了決策支持系統，通過水的可計算一般均衡模型實現供應的動態平衡，同時也可以對預測區域進行水的預測。由于工程浩大，適用于大范圍、大區域，對于一般城鎮精確度有待提高。

3 關鍵問題分析

經過查閱資料，目前在城市供水量預測模型研究方面有很多學者進行研究，因為考慮到信息技術的普及性，對市級以下區縣、城鎮的關注尚不重視。而供水量預測過程中會受到諸如降水量等客觀因素的影響，而許多因素會因區縣不同而不同，因此細化利于研究深入開展，也會適應城鎮化進程加劇的需要。

研究學者提出了很多技術模型，在技術上有效推動人工智能的發展， 利用多元線性回歸分析的方法對城鎮用水進行預測[6]，采用有經典的時間序列預測模型[7]，采用人工神經網絡模型[8]，采用支持向量回歸模型[9]和改進ARIMA模型[10]進行城市供水量預測等。但是城鎮供水管網系統是一個極其復雜的非線性系統，人口數量、 第一、二、三產業產值、城市降水量以及管網復雜性，都能引起供水量時間序列的變化，所以定量模型會有所偏差。

另外，隨著城鎮化進程的不斷提升，城市供水量數據快速增長，不僅如此，數據類型復雜度提高， 使得預測平臺的計算能力、存儲能力和處理速度都面臨挑戰，傳統單機環境的存儲和計算已經不能達到要求，如果計算存儲資料重復配置，又造成大量浪費。

解決這個問題最好的辦法是應用云計算服務模式，它可以有效地針對海量數據、復雜數據進行存儲、分析，利用分布式計算節點，通過網絡提供服務，提高預測精度，因此構建基于深度學習的城鎮供水量預測的云平臺是有效手段。

3.1基于深度學習的預測

解決復雜系統問題和非線性問題采用基于人工智能的預測方法有優越性，支持向量機、人工神經網絡和人工神經網絡的變異模型是很好例證。支持向量機，簡稱為SVM，可以很好處理分類問題，并應用于回歸問題，稱為支持向量回歸，簡稱為SVR[11]。人工神經網絡（ANN）的基本的組成單位為神經元，簡稱為“單元”又被稱為“節點”，是一種模擬生物的神經網絡來處理信息的數學模型[12]。大量的神經元按照一定的層次結構相互連接起來就構成了 ANN。

當前城鎮供水預測所要解決的突出問題是提高預測的準確性，研究隨機因素導致的不確定性，提高系統的穩定性和可靠性[13]。深度學習模型通過構建深層次非線性網絡拓撲結構，實現對任意復雜函數的逼近，分布式表示原始輸入樣本，體現出超強挖掘本質特征的能力[14]。因此城鎮供水預測這個復雜的過程需要在深度學習架構中訓練，提取復雜特征，達到有效預測。

3.2云計算平臺的必要性

云計算能夠根據用戶的需求動態地進行部署、配置或者取消服務，可以將分布計算、并行計算、虛擬技術、網絡存儲融合，為用戶提供海量復雜數據存儲和高性能計算，非常適合目前大數據時代信息量徒增的現實。

4 關鍵問題解決方案

4.1日供水模型的建立

深度學習是一類深度神經網絡學習算法，在傳統的人工神經網絡基礎上發展而來。混沌理論是一種兼具質性思考與量化分析的方法，用以探索動態系統中無法用單一的數據關系，而必須用整體、連續的數據關系才能加以解釋及預測的行為。

引入混沌理論對供水量時間序列進行分析，通過采用混沌特性識別對時間序列進行可預測分析，得出實例的可預測性[15]。即：利用功率譜和最大 Lyapunov 指數從定性和定量兩個方面研究了日供水量時間序列的混沌特性，重構日供水量時間序列的相空間。

提出了供水預測模型1——基于混沌理論和連續深度信念神經網絡（CDBNN）的日供水量預測模型。首先識別日供水量序列的規則性和不規則性。其核心是得到日供水量序列的功譜。通過定性分析和定量分析研究自來水廠日供水量序列的混沌特性，定性分析利用功率譜，定量分析利用最大 Lyapunov 指數。然后獲取訓練數據集特征，利用DBN實現逐層獨立訓練。最后進行微調，采用反向傳播監督法。經過獨立訓練后，一次預測只輸出下一天的日供水量的數據，預測完成后，對應日供水量的實際值與其他真實的歷史數據一起構成新的輸入數據，輸入到 CDBNN 模型中，進行下一步預測。

提出了供水預測模型2——雙尺度深度信念網絡日供水量預測模型。首先分解原始日供水量序列，得到殘差分量和固有模態函數 IMFs。一般采用EEMD技術完成。然后重構日供水序列的不確定項和確定性項，最后采用雙 DBN 模型并對其進行預測，整合兩個預測結果得到原始日供水量的預測值。

4.2云平臺模型的建立

根據城鎮供水量預測系統的實際需求，采用深度學習、模糊理論、云計算存儲等技術，構建基于深度學習的城鎮供水量預測云平臺，其結構如圖1所示。

基于深度學習的城鎮供水量預測云平臺將創建四層，分別是云平臺層，算法層，接口層和界面層。

（1）云平臺層：云平臺層提供存儲空間和計算服務，這是城鎮供水預測云系統的重要組成部分，包括了HDFS文件系統、數據庫、模型集合，提供分布式云計算機框架，可以采用Map Reduce作為云計算機框架。

云平臺層的主要功能是實現供水量數據的存儲，就目前而言隨著城鎮化的進程加速和工業企業規模擴大，供水量指數級增長的現狀下，數據量是比較大的。其次在云平臺層要以數據塊的形式分布式存儲模型，完成供水量歷史數據的備份。第三，實現容錯功能。

（2）算法層：算法層完成城鎮供水系統原始數據的預處理，將處理后的數據按照比例分成訓練數據和測試數據，完成模型的訓練和供水量模型的預測，最后要進行性能評估。在算法層將以深度學習、模糊理論為指導，建立模型，訓練模型，系統測試，因此算法層是整個供水預測云平臺的核心層。

算法層的另外一個作用是交互性，主要表現與云平臺的交互性，即在數據預處理、數據訓練、數據模型測試和性能評估中，需要跟數據庫、模型庫進行協調，獲取資源信息完成精度要求的預測。與用戶的間接交互性，即：接收用戶通過界面層傳遞的信息，同時在供水量模型完成測試后，要將測試結果返回給界面層。

在算法層中，模型的選取、模型的訓練、模型的測試、性能評估是一個反復的過程，一方面要兼具用戶的需求，面向特定的供水公司，考慮到供水量數據的差異性，另一方面要甄別、篩選、改進模型庫中模型，選取與之對應的，根據預測模型的特點，從中尋求最好、最優的方案優化參數，構建輸入特征和模型參數最有組合來完成模型構建。

（3）接口層：接口層的主要作用是實現數據交換和信息傳遞，接口層是通訊層，是連接界面層和算法層，算法層和平臺層的通道。接口層是整個城鎮供水量預測平臺的運輸線，包括了系統接口、存儲接口、算法接口、查詢接口和必要的傳輸接口。

（4）界面層： 界面層是用戶與城鎮供水量測試云平臺的交互窗口，界面層是面向用戶的，當用戶發出指令，通過界面層達到人機對話的目的，將信息傳遞給平臺，平臺接收到用戶的指令后，要執行響應的指令。當平臺完成訓練和測試工作，要將結果返回給用戶，也是通過界面層將信息反饋給用戶。用戶根據測試結果，反饋信息，再次發出指令，平臺接到指令，進行評估、優化、調整，繼續訓練、測試，反復多次，最終達到最優效果。

4.3實驗方案的實施

在區縣級自來水廠調研的基礎上，采集數據，了解需求，把握規律，深入學習和研究云計算技術、人工智能技術和神經網絡理論，建立供水模型，進行單步測試。對于衡量測試模型優劣的最重要的指標是考察其適應性和魯棒性，單步測試是有效的手段。因為如果一個不準確的預測值發生，而真實值被用來修正下一步的預測，采用單步測試不會引起連鎖反應，造成災難性后果。測試完成，進行集成經驗模態分解。它的作用是為了確定原始的日供水量時間序列的所有局部極小值和極大值。通過反復調整，優化對比，形成穩定模型。設計基于神經網絡的供水預測云平臺的方案，應用到區縣級自來水廠，繼續優化，不斷完善，如圖2所示。

5 結論

韓國作為我國近鄰，其應用人工智能技術為生產、生活服務起步也很早，利用人工神經網絡的模型預測用水需求做過很好地嘗試，也促進了城市內不同區域之間水資源的有效配置。因此韓國在人工智能應用的經驗值得借鑒，為此我與韓國建立聯系，交流深造、取長補短，學習更多知識，達到自我提升的目的。

隨著計算機技術的快速發展，人工智能的不斷深入，基于深度學習的城市供水量預測云平臺實現計算機技術與工程技術等多學科的信息融合，可以較為精確地預測供水結果和利用供水結果，其魯棒性和動態反饋性也比較好。

城鎮供水量預測納入智慧城市的規劃建設，可以優化區縣級泵站的調度，使得用戶在不同時間段內對水量的需求得到滿足，一方面用戶正常用水需求得到保證，生產電耗能夠降低，能源開支得到節省，三四季度出現的能源緊張的局面也可以緩解，另一方面滿足人民群眾對水質提升的要求，盡可能指導自來水公司的生產、輸送、分配、調度和用戶用水同時進行，讓水不過久存儲，降低水質安全風險，使社會效益和經濟效益最大化。

參考文獻：

[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.基于小波支持向量機的城市用水量非線性組合預測[J].中國給水排水，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] 劉洪波，鄭博一，蔣博齡.基于人工魚群神經網絡的城市時用水量預測方法[J].天津大學學報（自然科學與工程技術版），2015，48（4）：373-378.

[14] 王圃，唐鵬飛，白云，等.基于多分辨BP神經網絡的城市日供水量預測模型[J].中國給水排水，2018，34（11）：51-55，60.

[15] 趙鵬，張宏偉.城市用水量的混沌特性與預測[J].中國給水排水，2008，24（5）：90-93，97.

【通聯編輯：朱寶貴】