高赫余，王 圣，吴潇勇

(上海城投水务<集团>有限公司供水分公司，上海 200444)

供水量预测分为长期预测和短期预测，长期预测是指对未来一周、一个月乃至一年的预测，而短期预测可以细化到未来1 h、1 d的预测[1]。本文主要研究的是短期预测，即日供水量预测和时供水量预测。在管网中水压和供水量能满足用户的前提下，根据模型所预测的日与时供水量优化供水模式，使水管网在能耗最小、漏损最小的情况下，保证给水质量，同时，能够达到优化调度的目的[2]。

由于我国需水量数据可靠性低，且时间系列较短，用传统的预测方法如灰色预测、时间序列[3]、回归分析以及定额法等不仅工作量大，精度也很难保证[4]。随着现在计算机硬件及软件的发展，机器学习和深度学习模型已经广泛地应用在工业界中。如王盼等[5]采用随机森林算法构建需水预测模型；BAI等[6]采用多尺度相关向量回归方法构建城市日供水量需求预测模型；郭冠呈等[7]采用双向长短时神经网络构建了短期供水量预测；SHABANI等[8]通过对混沌时间序列进行相空间重构，并结合支持向量机模型构建城市水量需求预测模型。这些回归模型能高精度的拟合非线性函数，从而能在训练样本上得到预测结果，但是，易引发过拟合，泛化性能较差，在测试样本上往往不理想，无法在实际中得到较好的推广应用。

目前，集成学习在工业界和学术界受到越来越多的关注，所谓集成学习即训练多个弱回归模型，对最终的结果进行联合决策[5]。……