买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网恭喜中国电建集团华东勘测设计研究院有限公司申请的专利一种基于分区预测和动态自动调节的城市需水预测方法、系统及介质获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN119026880B 。

龙图腾网通过国家知识产权局官网在2025-03-11发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202411508439.5，技术领域涉及：G06Q10/0631；该发明授权一种基于分区预测和动态自动调节的城市需水预测方法、系统及介质是由张奇伟;寿玮玮;罗远林;刘月馨;陈冬强;王雪峰;张倩设计研发完成，并于2024-10-28向国家知识产权局提交的专利申请。

本一种基于分区预测和动态自动调节的城市需水预测方法、系统及介质在说明书摘要公布了：本发明提供一种基于分区预测和动态自动调节的城市需水预测方法、系统及介质，所述方法包括：首先获取城市居民的用水量，存储水数据；对月用水数据进行DPC聚类；其次采用VAE方法将不同变化趋势的数据进行特征提取，再进行Pearson相关性分析，然后将提取的关键影响因素用GAT‑DLinear模型对各区域月需水量预测，利用IZOA算法优化GAT‑DLinear模型，再根据NRMSE指标判断该类月预测精度是否大于10%，若是，则构建目标方程再次通过IZOA算法优化模型中需要调节的参数，将优化后的参数集再次输入预测模型，直至精度满足阈值要求，输出各分区最终需水预测结果。本发明具有自动化、自适应的优点。

本发明授权一种基于分区预测和动态自动调节的城市需水预测方法、系统及介质在权利要求书中公布了：1.一种基于分区预测和动态自动调节的城市需水预测方法，其特征在于，包括以下步骤：S1、获取城市居民的日常用水量，并存储水数据，将水数据上传到云端，在云端获取居民用水量，并将原始数据分为三部分；S2、对预处理后的历史用水数据使用月用水均量作为划分依据对城市多个区域历史用水数据进行DPC聚类，将这些区域聚为变化趋势大型、变化趋势小型和变化稳定性三类；S3、对S2中聚类为3类区域的所有居民用水数据进行VAE特征选择，同时对影响居民用水的影响因素进行Pearson相关性分析，所述影响因素包括温度、水价格、消费水平、洗漱时间、人口数量；S4、基于S3中Pearson相关性分析所提取的关键影响因素和三类居民用水数据构建GAT-DLinear模型，并利用GAT-DLinear模型对用水数据进行训练；S5、采用Bernoulli混沌映射和多项式变异算子对斑马优化算法进行改进；S6、利用改进的斑马优化算法优化GAT-DLinear模型的超参数，所述超参数包括学习率、图注意力层数、隐含层维度；S7、利用超参数优化后的GAT-DLinear模型对用水数据进行训练来达到根据预测结果对需水数据进行动态自动调节的效果，首先训练后用验证集的数据按聚类结果来判断预测精度是否NRMSE大于10％，若小于，则输出结果；若大于阈值，则将预测模型中的参数构建目标方程再次通过IZOA算法优化输入优化模型进行优化，将优化后的超参数集再次输入预测模型，通过调节模型参数将该月数据进行下一轮预测，以此判断直到满足要求，最后输出各分区最终需水预测结果；步骤S4具体包括如下过程：S401、当使用图注意力网络模型预测居民需水时，首先输入数据，输入数据包括静态数据和动态数据，其中，静态数据包括城市不同地区的位置信息，动态数据包括在Pearson相关性分析后筛选的居民用水在每个位置的关键影响因素；S402、构建属性图GV,E来捕捉居民用水数据在时间和空间上的动态特征，其中，V表示属性图的节点，E表示属性图的边；用水位置表征为图节点，每个节点Vi具有关联的静态特征向量和一组矩阵形式的动态特征，前者包含位置信息，后者包含S类关键影响因素；S403、对不同用水区域之间的地理邻近性进行建模定义，节点之间的连接用边的权重来描述；输入上述信息后，使用ReLU激活函数运算注意力权重使用Softmax函数结合计算注意力得分然后可以定义节点i和j之间的边的权重Wi,j表示如下： 其中，disti,j表示用水位置i和用水位置j之间的地理距离；σ表示n个用水区域两两之间距离的标准差；ε是阈值，如果距离小于阈值，则默认两个用水区域没有连接，以保证图结构的稀疏性；S404、空间依赖建模，空间相关性是预测各地区居民用水数据的关键问题，通过考虑空间相似性，所提出的模型可以评估相似位置的居民用水的变化，从而更准确地预测各地区居民的需水量；具体是采用多层图注意力网络GAT从属性图中提取时空特征，每个位置根据相似性从相邻位置接收信息，通过聚合相邻节点来更新每个节点的嵌入信息；在第t个时间步处，节点i的输入表示为其中M表示输入窗口的时间步长，Q表示节点i所在的区域，S表示S类关键影响因素，具体步骤如下：S40401、将历史特征输入到属性图中；S40402、应用图注意力机制计算每个节点的注意力值，表示为其中，表示节点i所在的域，Oz是GAT层的输出维度；其中使用多头机制来计算独立的注意力分数，以便计算节点i和节点j之间的第k个头的注意力权重计算如下： 其中，LeakyReLU·表示LeakyReLU激活函数，是第k个头的注意力矩阵；是第k个头的线性变换权重矩阵，将输入维度转换为输出维度；表示串联操作，分别表示节点i、节点j在第t个时间步处的输入；S40403、计算注意力得分表达式如下： 其中，softmax是激活函数，是节点i和节点j之间的第k个头的注意力权重，表示节点i和节点n之间的第k个头的注意力权重，节点i的每条边都具有一个注意力分数score，用于评估应该从相邻节点j聚合多少信息；S40404、将来自多个头的所有嵌入向量相加以建立节点i的最终表示如下： 其中，表示节点i的所有嵌入信息，C是头的个数，K是独立的注意力分数，N是节点数，是第k个头的线性变换权重矩阵，表示节点i的输入；S405、将GAT从属性图中提取到的用水区域空间特征信息作为DLinear模型的输入，通过对用水数据问题建立图模型，多层图注意力网络利用不同节点分配不同权重的特性，通过关注每个节点的邻近节点特征来更新每个节点的向量表示，对图信息进行抽取；S406、DLinear模型将时间序列分解为趋势序列和剩余序列，然后使用两个单层线性网络对这两个序列进行建模，以完成预测任务，对于含有D个变量的时间序列，由历史数据E预测未来数据S407、DLinear模型首先将历史时间序列数据分解为趋势数据和剩余数据Es＝E-Et两部分，然后对分解得到的两个序列分别应用单层线性网络： 其中，ξs，ξt是单层线性网络权重，是线性网络的域，L和分别为历史时间序列长度和未来时间序列长度；Es和Et表示第个时间步第个变量的值；S408、最终的输出为两个单层线性网络的输出结果相加：

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人中国电建集团华东勘测设计研究院有限公司，其通讯地址为：310000 浙江省杭州市潮王路22号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。