牟天蔚 蒋白懿 沈丹玉 赵明

摘要：供水量预All是建立管网水力模型的前提，为提高供水管网模型精度，提出一种基于深度学习框架的小波深度信念网络（SW-DBN）时间序列模型。该模型首先通过Symlets小波对日供水量数据进行分解，然后将各分解项分别导入SW-DBN时间序列模型中进行训练，最后利用训练的模型进行预测。以新开河2014-2015年日供水量为训练数据，2016年1月1-7日供水量为测试数据，导入该模型进行预测。依据该测试方法对其后200d的供水量进行预测，结果表明：该模型用于日供水量预测比深度信念网络模型及传统BP神经网络模型精度高，相对误差均小于5%，是一种有效的方式。

关键词：深度信念网络模型；深度学习框架；Symlets小波；日供水量

中图分类号：TV213.4 文献标志码：A Doi：10.3969/j.issn.1000-1379.2018.09.014

随着经济社会发展，居民的用水需求量不断增大，供水部门为保障供水，应对城市供水量进行统计、分析及预测。供水量预测分为短期预测、中期预测、长期预测3类[1]，日供水量预测属于短期预测。目前，大量成熟的短期预测模型得以应用。鲍燕寒川通过混沌时间序列模型对城市日供水量成功进行预测，但其缺点是不能完全适应供水量值的波动；陆志波等[2]通过自回归积分滑动平均模型和BP神经网络模型对人均生活用水量进行预测，但该模型仅适用于小样本数据预测，且准确性有待提高；李斌等[3]通過灰色神经网络组合模型对需水量进行预测，虽然准确性有所提高，但对大样本适应性仍然较差。……