基于改進GRU 的城市供水管網流量預測研究

夏 巍，汪 石，梁祥瑩

（安徽建筑大學 電子與信息工程學院，安徽 合肥 230601）

城市供水管網的復雜程度隨現代化城市的人口高密度增長而增長。為確保居民的用水穩定性，研究人員對供水管網的優化調度開展了深入探索［1］。供水管網的流量預測可以作為管網優化調度的依據。現階段，城市供水管網的流量預測方法一般采用機器學習的算法［2-4］，相對于傳統回歸分析方法，例如灰色模型［5］、自回歸滑動［6］，其預測精度更高、適用范圍也更廣。

城市供水管網流量數據作為典型的時序數列，具有良好的循環變動特性。許多領域采用循環 神 經 網 絡［7］（Recurrent Neural Network，RNN）分析時序數列，都獲得了優秀的成果［8-9］。目前，基于循環神經網絡的城市供水管網的流量預測研究不多，而基于長短期記憶網絡（Long-Short Term Memory，LSTM）的日用水流量預測［10］已經在單個節點流量預測中得到了較好的結果。循環門單元（Gated Recurrent Unit，GRU）［11］算 法 作 為LSTM的變種，在樣本數據較小的情況下具有更快的收斂速度以及較為優秀的預測精度。基于此，本文選擇GRU 算法，針對某市供水管網優化調度系統的研究特點，預測監測節點的用水量。

現階段對供水管網節點用水量的預測研究，多對單個節點的24 h 或者更長的歷史數據來進行分析擬合，以推斷下一天該節點的用水量［12-13］。這種方法對于單個節點的分析固然準確，但模型的泛化能力較差性，缺乏普適性。

因此，本文從多個監測節點的流量數據入手，以類似局部加權線性回歸的思路優化GRU 網絡，進行基于多節點的流量預測研究，并利用某市供水管網監測平臺2020 年9 月1 日至7 日的4 個監測節點流量數據進行驗證，對比優化前后的結果。……