Nothing Special   »   [go: up one dir, main page]

CN111163430B - 基于手机基站用户定位数据的水量预测的方法 - Google Patents

基于手机基站用户定位数据的水量预测的方法 Download PDF

Info

Publication number
CN111163430B
CN111163430B CN201911389638.8A CN201911389638A CN111163430B CN 111163430 B CN111163430 B CN 111163430B CN 201911389638 A CN201911389638 A CN 201911389638A CN 111163430 B CN111163430 B CN 111163430B
Authority
CN
China
Prior art keywords
base station
factor
time
space
data
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201911389638.8A
Other languages
English (en)
Other versions
CN111163430A (zh
Inventor
鄞衡
芦越清
李相承
万新楚
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shanghai Yunhan Technology Co ltd
Original Assignee
Shanghai Yunhan Technology Co ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Shanghai Yunhan Technology Co ltd filed Critical Shanghai Yunhan Technology Co ltd
Priority to CN201911389638.8A priority Critical patent/CN111163430B/zh
Publication of CN111163430A publication Critical patent/CN111163430A/zh
Application granted granted Critical
Publication of CN111163430B publication Critical patent/CN111163430B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/30—Services specially adapted for particular environments, situations or purposes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/29—Geographical information databases
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Energy or water supply
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W24/00—Supervisory, monitoring or testing arrangements
    • H04W24/08—Testing, supervising or monitoring using real traffic
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/02—Services making use of location information
    • H04W4/029—Location-based management or tracking services

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Economics (AREA)
  • General Engineering & Computer Science (AREA)
  • Strategic Management (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Human Resources & Organizations (AREA)
  • Signal Processing (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Molecular Biology (AREA)
  • Tourism & Hospitality (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Evolutionary Computation (AREA)
  • Databases & Information Systems (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Artificial Intelligence (AREA)
  • Development Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Remote Sensing (AREA)
  • Primary Health Care (AREA)
  • Water Supply & Treatment (AREA)
  • Public Health (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Telephonic Communication Services (AREA)

Abstract

本发明公开了基于手机基站用户定位数据的水量预测的方法，涉及管网水力预测技术领域。本发明包括S01、建立基站T‑步预测模型；S02、确定并获取时间因子、周期因子、空间因子；S03、向基站T‑步预测模型中输入时间因子、周期因子、空间因子的数据；S04、对时间因子、周期因子、空间因子的数据进行编码；S05、形成初始种群；S06、根据初始种群计算适应度函数；S07、判断是否停止计算；S08、优化结果；S09、训练GA—BP神经网络；S10、预测输出；S11、结果呈现。本发明解决了目前现有的水力管网水力孪生模型，能够模拟现实管网的运行的同时，却无法准确预测用水量的空间变化和时间变化的问题。

Description

基于手机基站用户定位数据的水量预测的方法
技术领域
本发明属于管网水力预测技术领域，特别是涉及基于手机基站用户定位数据的水量预测的方法。
背景技术
智慧管网发展的目标，是能够建立管网的水力孪生模型，这个模型能准确地模拟现实管网的运行。目前在线水力模型最大的问题，是无法准确预测用水量的空间变化和时间变化。
水力模型在供水行业已经问世已经有超过60年的时间，是通过计算机技术，根据能量守恒和动量守恒的原理，对实际的地下管网进行数字化模拟，同时进行管网水力学数据的相关计算，反映实际管网的水力状态。
管网水力模型系统综合GIS系统的静态信息与SCADA系统的动态信息，并结合用水量的预报、估算与分配，按水力学理论对水司供水系统进行水力建模与模拟计算，在线跟踪供水系统水力运行状态，实时计算出所有管道的流量、压降、流速和水厂、用户节点的压力等水力信息，为供水系统科学调度与管理提供依据。管网水力模型系统是管网水质模型、供水调度模型的基础。
目前，管网水力学计算原理的发展已经相当完善，水量预测方面，以往工程上采用的常规预测方法如定额法、时间序列、回归分析以及灰色预测等。其中灰色预测模型使用最为广泛。
灰色预测根据过去及现在已知而未确知的信息建立一个从过去延伸到将来的GM模型,即灰色模型,从而确定系统在未来发展变化的趋势,通常分为灰色数列预测、年灾变预测、季节灾变预测、拓扑预测、系统综合预测等。
GM(1,1)模型是灰色预测基础。它采用“累加”的方法,建立一个随时间变化趋势明显的时间序列,按照累加后序列的增长趋势可建立考虑灰色因子的预测模型。然后采用“累减”的方法进行逆运算,恢复原时间序列,得到预测结果。GM(1,1)模型预测的一般过程：GM(1,1)建模原理是将k个原始数据按顺序进行排列,然后对其进行数据处理,得到原始数据的数列。由于灰色预测模型GM(1,1)预测实质上是一种外推法,是用指数曲线^X(1)去拟合序列X(1),拟合方法是最小二乘法。而由最小二乘法原理,拟合曲线并不一定通过第一个数据点,将^X(0)(1)＝X(0)(1)作为已知条件的理论依据并不存在,另外应考虑到X(0)(1)是一个最旧的数据,与未来关系不密切,而且不是通过累加生成得到,规律性不强，对于空间上的预测也存在很大的局限性。特别的，对于我国这样处于快速建设和发展的城市管网并不合适。因此，针对以上问题提供一种基于手机基站用户定位数据的水量预测的方法具有重要意义。
发明内容
本发明的基于手机基站用户定位数据的水量预测的方法，解决了目前现有的水力管网水力孪生模型，能够模拟现实管网的运行的同时，却无法准确预测用水量的空间变化和时间变化的问题。
为解决上述技术问题，本发明是通过以下技术方案实现的：
本发明的基于手机基站用户定位数据的水量预测的方法，包括如下步骤：
S01、建立基站T-步预测模型：通过人员密度与平均用水量统计关系建立模型，结合基站负载的时空变化，通过脱敏、抽象处理，计算空间节点的用水量，将该用水量赋给水力模型空间节点进行计算；
S02、确定并获取时间因子、周期因子、空间因子：根据基站负载的时空关联性，选定三类要素因子来标定影响因素，相邻时段的影响命名为时间因子、周期性重复的影响命名为周期因子以及基站间转移的影响命名为空间因子；
S03、向基站T-步预测模型中输入时间因子、周期因子、空间因子的数据；
S04、对时间因子、周期因子、空间因子的数据进行编码；
S05、对经编码后的时间因子、周期因子、空间因子的数据形成初始种群；
S06、根据初始种群计算适应度函数；
S07、判断是否停止计算；若是，则进行下一步；若否，则经选择、交叉、变异动作后返回至步骤S04；
S08、优化结果；
S09、训练GA—BP神经网络；
S10、预测输出；
S11、结果呈现，将预测结果在地理信息系统GIS上以热力图形式展现，即为实时用水量预测，并根据颜色带进行用水密度展示。
进一步地，所述步骤S01是由基站负载影响因素的选取中，选定影响该基站负载的前k个时刻的时间因子、与当前日具有相似模式的前l个周期的周期因子和与该基站具有空间关联性的前s个空间因子，用时空因素(k,l,s)来表示基站T-步预测模型，可得出：
其中：
T＝1,2...；
k＝1,2,...；
l＝1,2,...；
s＝1,2,...；
其中，
I:I＝{i1,i2,...,in}，表示某区域基站集合；
表示第Ij个基站的T步负载预测值；
k：表示与时段t具有时间关联的前k个时段，即第k个时间因子；
l：表示与当前日具有相似模式的前第l个周期；
s：表示与该基站具有空间关联性的第s个基站。
进一步地，所述基站T-步预测模型采用最近节点或最近管线原则，将手机定位数据与管网节点进行匹配，并进行水量赋值来构建动态用水预测模型。
进一步地，所述时间因子指的是在基站的分钟级多步预测中，基于人群白天活动夜晚休息的规律，选择待预测时段；在预测时段的时间影响因子选取时，考虑下一时刻的负载数据可以认为是当前时刻负载的聚集及影响。
进一步地，所述周期因子指的是基站的人群运动模式呈现的星期稳定性；在不同时间段的基站负载数据中，呈现着相同的周期模式；因此采用周期因子作为预测模型的影响因素。
进一步地，所述空间因子指的通过不同时段各基站的负载数据以及基站之间人群相互转移的数据，计算手机用户群体在基站间的转移概率矩阵。
进一步地，所述步骤S04-S06中，由时间因子、周期因子和空间因子确定之后使用premnmx函数作为初始种群计算适应度函数对原始数据样本进行归一化处理，使处理后的数据根据是否均匀地分布在[-1,1]的范围内进行预测。
进一步地，利用所述premnmx函数进行预测的方法采用包括平均相对误差MAPE、平均绝对误差MAE、均方误差MSE、均方根误差RMSE的指标进行评价。
本发明具有以下有益效果：
本发明以最接近实时和真实的数据为基础，结合关键影响因子和神经网络模型，进行用水预测；该方法弥补了灰色预测模型缺乏业务原理支撑、规律性不强，空间上的预测局限性的问题；该方法可以应用到城市管理的其他领域，如用电预测、用气预测、交通流量预测、污染预测。
当然，实施本发明的任一产品并不一定需要同时达到以上所述的所有优点。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明的基于手机基站用户定位数据的水量预测的方法步骤图；
图2为基于手机基站用户定位数据的水量预测的方法结构拓扑图；
图3为本发明的最近节点或最近管线原则原理图；
图4为本发明采用premnmx函数对原始数据样本进行归一化处理的界面图；
图5为本发明一种实施例对上海徐汇区用水流量预测与基站连接手机数之间数据表图；
图6为本发明一种实施例对上海宝山区用水流量预测与基站连接手机数之间数据表图；
图7为本发明一种实施例中某一时间点对上海市用水流量预测的热力图效果展示图；
图8为本发明一种实施例中另一时间点对上海市用水流量预测的热力图效果展示图；
图9为手机基站定位数据抽象后的热力图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
请参阅图1-9所示，本发明的基于手机基站用户定位数据的水量预测的方法，包括如下步骤：
S01、建立基站T-步预测模型：通过人员密度与平均用水量统计关系建立模型，结合基站负载的时空变化，通过脱敏、抽象处理，计算空间节点的用水量，将该用水量赋给水力模型空间节点进行计算；
S02、确定并获取时间因子、周期因子、空间因子：根据基站负载的时空关联性，选定三类要素因子来标定影响因素，相邻时段的影响命名为时间因子、周期性重复的影响命名为周期因子以及基站间转移的影响命名为空间因子；
S03、向基站T-步预测模型中输入时间因子、周期因子、空间因子的数据；
S04、对时间因子、周期因子、空间因子的数据进行编码；
S05、对经编码后的时间因子、周期因子、空间因子的数据形成初始种群；
S06、根据初始种群计算适应度函数；
S07、判断是否停止计算；若是，则进行下一步；若否，则经选择、交叉、变异动作后返回至步骤S04；
S08、优化结果；
S09、训练GA—BP神经网络；
S10、预测输出；
S11、结果呈现，将预测结果在地理信息系统GIS上以热力图形式展现，即为实时用水量预测，并根据颜色带进行用水密度展示。
本发明完全抛弃的传统基于统计学和历史数据的预测方法，从另一个技术角度出发，进行水量预测。人是城市用水的主体，移动用户通过连接基站获取网络，在用户移动的过程中，信号在基站之间的切换也代表着人群在基站间的流动，或者说是在城市中的流动。很显然，这些流动代表着各类用水的变化：居民用水、工厂企业用水、商业用水、政府用水，加上天气预测、日历等外部因素，水量预测可以达到非常高的精度。
在密集市区，基站的覆盖半径可能只有500m，但是在郊区，覆盖半径可能会有1km，到了广阔的农村区域，基站的覆盖半径达到2—5Km。即使如此，这个误差对于模型的水量分配，仍然比传统水量基于区域或者管网长度的水量分配要精确得多，而且容易获得数据。传统方法需要将用户在GIS进行测点的定位或者区域挂接，一旦用水情况发生变化，模型需要重新搭建。随着未来5G基站的建设，城市中的基站密度将大大提高，对于用水定位的精度将会进一步提高，但是作为工程应用，仍然应该考虑效率和应用直接的平衡。
为了保证用户隐私以及数据有效性，我们需要对移动用户轨迹数据进行清洗，去除重复、无效、缺失日期的数据；然后以10分钟作为间隔时段进行规整，统计基站的负载数据及基站之间的转移。
如图9所示，是手机基站定位数据抽象后的热力图。
移动用户通过连接基站获取网络，在用户移动的过程中，信号在基站之间的切换也代表着人群在基站间的流动，当前基站的负载可看做上一时刻人群数的延续和其他基站人群的转移。
在考虑基站负载变化的时空影响因素中，我们从以下三点来考虑：
1)当前时间的基站负载可以看做前一时段人群数的延续。
2)当前时间的基站负载变化规律可看做是周期循环的结果。
3)当前基站的负载可以看做是其他基站人群数共同影响的结果。
通过人员密度与平均用水量统计关系的建立模型，结合基站负载的时空变化，通过脱敏、抽象处理，即可计算空间节点的用水量。将该用水量赋给水力模型空间节点，即可进行计算。
其中，步骤S01是由基站负载影响因素的选取中，选定影响该基站负载的前k个时刻的时间因子、与当前日具有相似模式的前l个周期的周期因子和与该基站具有空间关联性的前s个空间因子，用时空因素(k,l,s)来表示基站T-步预测模型，可得出：
其中：
T＝1,2...；
k＝1,2,...；
l＝1,2,...；
s＝1,2,...；
其中，
I:I＝{i1,i2,...,in}，表示某区域基站集合；
表示第Ij个基站的T步负载预测值；
k：表示与时段t具有时间关联的前k个时段，即第k个时间因子；
l：表示与当前日具有相似模式的前第l个周期；
s：表示与该基站具有空间关联性的第s个基站。
如图3所示，其中，基站T-步预测模型采用最近节点或最近管线原则，将手机定位数据与管网节点进行匹配，并进行水量赋值来构建动态用水预测模型。
其中，时间因子指的是在基站的分钟级多步预测中，基于人群白天活动夜晚休息的规律，选择待预测时段；在预测时段的时间影响因子选取时，考虑下一时刻的负载数据可以认为是当前时刻负载的聚集及影响；例如预测4月20日的9:10,9:20,9:30,9:40,9:50,9:60六个时段的负载数据，选定4月20日的8:10,8:20,8:30,8:40,8:50,8:60作为时间因子输入到模型中。
其中，周期因子指的是基站的人群运动模式呈现的星期稳定性；在不同时间段的基站负载数据中，呈现着相同的周期模式；因此采用周期因子作为预测模型的影响因素；例如预测4月20日的9:10,9:20,9:30,9:40,9:50,9:60六个时段的负载数据，选定4月20日的8:10,8:20,8:30,8:40,8:50,8:60以及9:10,9:20,9:30,9:40,9:50,9:60作为周期因子输入到模型中。
其中，空间因子指的通过不同时段各基站的负载数据以及基站之间人群相互转移的数据，计算手机用户群体在基站间的转移概率矩阵；
以下表为例，基于选定的预测目标基站A，在转移概率矩阵中可发现有向基站A转移负载的概率矩阵所示，从表中发现有21个基站的人群会向A基站转移。在该矩阵中，概率最大的前五个基站转移人流占据总人流的80.8％，因此选择向该基站转移人群数的概率最大的前5个基站B,R,I,T,U作为影响基站下一时刻负载的空间因子。例如预测4月20日A基站的9:10,9:20,9:30,9:40,9:50,9:60六个时段的负载数据，选定4月20日周报五个基站的8:10,8:20,8:30,8:40,8:50,8:60作为空间因子输入到模型中。
如图3-4所示，其中，步骤S04-S06中，由时间因子、周期因子和空间因子确定之后使用premnmx函数作为初始种群计算适应度函数对原始数据样本进行归一化处理，使处理后的数据根据是否均匀地分布在[-1,1]的范围内进行预测。
其中，利用premnmx函数进行预测的方法采用包括平均相对误差MAPE、平均绝对误差MAE、均方误差MSE、均方根误差RMSE的指标进行评价。
时空影响因素分析：在确定目标基站的空间因子时，从群体角度出发，建立基站间转移概率矩阵，构造基站间的关联关系。在选定某基站的空间因子时，根据基站间转移概率进行排序，概率越大说明该基站对目标基站的负载影响越大，选定前s个基站作为空间关联因素。
BP神经网络模型：BP神经网络是一种有监督学习的多层前馈神经网络，也是目前使用最广泛的神经网络模型。当输入节点数为n，输出节点数为m时，BP神经网络可以映射为n个自变量到m个因变量的非线性函数；BP神经网络模型训练时，按照误差反向传播机制不断调整网络权值和阈值，不断逼近期望输出值。因此BP神经网络可以拟合任意连续函数；
如图5-8所示，以上海市徐汇区和宝山区作为试点，将区域内基于基站的手机连接数与实际用水的实时数据对比，并得到的水量预测数据如下(此处展示2019年4月20日-4月21日的实测数据)。将以上结果在地理信息系统(GIS)上以热力图形式展示(如下图)，即为实时用水量预测，并根据颜色带进行用水密度的展示(每100平方公里用水量)
本技术发明的保护点在于：基于城市手机基站用户定位的人员流动预测方法，以及时间因子、周期因子和空间因子的抽取和训练方法，人员密度与用水量关系模型。
本发明相对于现有技术具有的有益效果包括：
以最接近实时和真实的数据为基础，结合关键影响因子和神经网络模型，进行用水预测；该方法弥补了灰色预测模型缺乏业务原理支撑、规律性不强，空间上的预测局限性的问题；该方法可以应用到城市管理的其他领域，如用电预测、用气预测、交通流量预测、污染预测。
以上公开的本发明优选实施例只是用于帮助阐述本发明。优选实施例并没有详尽叙述所有的细节，也不限制该发明仅为所述的具体实施方式。显然，根据本说明书的内容，可作很多的修改和变化。本说明书选取并具体描述这些实施例，是为了更好地解释本发明的原理和实际应用，从而使所属技术领域技术人员能很好地理解和利用本发明。本发明仅受权利要求书及其全部范围和等效物的限制。

Claims (4)

1.基于手机基站用户定位数据的水量预测的方法，其特征在于，包括如下步骤：
S01、建立基站T-步预测模型：通过人员密度与平均用水量统计关系建立模型，结合基站负载的时空变化，通过脱敏、抽象处理，计算空间节点的用水量，将该用水量赋给水力模型空间节点进行计算；
所述步骤S01是由基站负载影响因素的选取中，选定影响该基站负载的前k个时刻的时间因子、与当前日具有相似模式的前l个周期的周期因子和与该基站具有空间关联性的前s个空间因子，用时空因素(k,l,s)来表示基站T-步预测模型，可得出：
其中：
T＝1,2...；
k＝1,2,...；
l＝1,2,...；
s＝1,2,...；
其中，
I:I＝{i1,i2,...,in}，表示某区域基站集合；
表示第Ij个基站的T步负载预测值；
k：表示与时段t具有时间关联的前k个时段，即第k个时间因子；
l：表示与当前日具有相似模式的前第l个周期；
s：表示与该基站具有空间关联性的第s个基站；
S02、确定并获取时间因子、周期因子、空间因子：根据基站负载的时空关联性，选定三类要素因子来标定影响因素，相邻时段的影响命名为时间因子、周期性重复的影响命名为周期因子以及基站间转移的影响命名为空间因子；
S03、向基站T-步预测模型中输入时间因子、周期因子、空间因子的数据；
S04、对时间因子、周期因子、空间因子的数据进行编码；
S05、对经编码后的时间因子、周期因子、空间因子的数据形成初始种群；
S06、根据初始种群计算适应度函数；
S07、判断是否停止计算；若是，则进行下一步；若否，则经选择、交叉、变异动作后返回至步骤S04；
S08、优化结果：优化筛选后的阈值和结果；
S09、训练GA—BP神经网络；BP神经网络模型训练时，按照误差反向传播机制不断调整网络权值和阈值，不断逼近期望输出值；
S10、预测输出；
S11、结果呈现，将预测结果在地理信息系统GIS上以热力图形式展现，即为实时用水量预测，并根据颜色带进行用水密度展示；
基站T-步预测模型采用最近节点或最近管线原则，将手机定位数据与管网节点进行匹配，并进行水量赋值来构建动态用水预测模型；由时间因子、周期因子和空间因子确定之后使用premnmx函数作为初始种群计算适应度函数对原始数据样本进行归一化处理，使处理后的数据根据是否均匀地分布在[-1,1]的范围内进行预测；利用所述premnmx函数进行预测的方法采用包括平均相对误差MAPE、平均绝对误差MAE、均方误差MSE、均方根误差RMSE的指标进行评价。
2.根据权利要求1所述的基于手机基站用户定位数据的水量预测的方法，其特征在于，所述时间因子指的是在基站的分钟级多步预测中，基于人群白天活动夜晚休息的规律，选择待预测时段；在预测时段的时间影响因子选取时，考虑下一时刻的负载数据可以认为是当前时刻负载的聚集及影响。
3.根据权利要求1所述的基于手机基站用户定位数据的水量预测的方法，其特征在于，所述周期因子指的是基站的人群运动模式呈现的星期稳定性；在不同时间段的基站负载数据中，呈现着相同的周期模式；因此采用周期因子作为预测模型的影响因素。
4.根据权利要求1所述的基于手机基站用户定位数据的水量预测的方法，其特征在于，所述空间因子指的通过不同时段各基站的负载数据以及基站之间人群相互转移的数据，计算手机用户群体在基站间的转移概率矩阵。
CN201911389638.8A 2019-12-30 2019-12-30 基于手机基站用户定位数据的水量预测的方法 Active CN111163430B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911389638.8A CN111163430B (zh) 2019-12-30 2019-12-30 基于手机基站用户定位数据的水量预测的方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911389638.8A CN111163430B (zh) 2019-12-30 2019-12-30 基于手机基站用户定位数据的水量预测的方法

Publications (2)

Publication Number Publication Date
CN111163430A CN111163430A (zh) 2020-05-15
CN111163430B true CN111163430B (zh) 2023-11-21

Family

ID=70558977

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911389638.8A Active CN111163430B (zh) 2019-12-30 2019-12-30 基于手机基站用户定位数据的水量预测的方法

Country Status (1)

Country Link
CN (1) CN111163430B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113466424B (zh) * 2021-08-12 2022-02-15 广州高得环保科技股份有限公司 一种智慧物联网的管道直饮水水质监控方法及系统
CN117709655A (zh) * 2023-12-15 2024-03-15 江苏长三角智慧水务研究院有限公司 一种给水管网用水量的分配方法及系统

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106792517A (zh) * 2016-12-05 2017-05-31 武汉大学 基于手机位置时空转移概率的基站服务人数时序预测方法
CN108701274A (zh) * 2017-05-24 2018-10-23 北京质享科技有限公司 一种城市小尺度空气质量指数预测方法与系统
CN108764473A (zh) * 2018-05-23 2018-11-06 河北工程大学 一种基于相关分析的bp神经网络用水量预测方法
CN109887272A (zh) * 2018-12-26 2019-06-14 阿里巴巴集团控股有限公司 一种交通人流量的预测方法及装置
JP2019095240A (ja) * 2017-11-20 2019-06-20 日本無線株式会社 水位予測方法、水位予測プログラム及び水位予測装置
CN110443418A (zh) * 2019-07-31 2019-11-12 西安科技大学 基于ga-bp神经网络的城市用水量预测方法
CN110472840A (zh) * 2019-07-29 2019-11-19 重庆邮电大学 一种基于神经网络技术的农业水利调度方法及系统
JP2019204458A (ja) * 2018-05-25 2019-11-28 清水建設株式会社 電力需要予測システム、学習装置及び電力需要予測方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106792517A (zh) * 2016-12-05 2017-05-31 武汉大学 基于手机位置时空转移概率的基站服务人数时序预测方法
CN108701274A (zh) * 2017-05-24 2018-10-23 北京质享科技有限公司 一种城市小尺度空气质量指数预测方法与系统
JP2019095240A (ja) * 2017-11-20 2019-06-20 日本無線株式会社 水位予測方法、水位予測プログラム及び水位予測装置
CN108764473A (zh) * 2018-05-23 2018-11-06 河北工程大学 一种基于相关分析的bp神经网络用水量预测方法
JP2019204458A (ja) * 2018-05-25 2019-11-28 清水建設株式会社 電力需要予測システム、学習装置及び電力需要予測方法
CN109887272A (zh) * 2018-12-26 2019-06-14 阿里巴巴集团控股有限公司 一种交通人流量的预测方法及装置
CN110472840A (zh) * 2019-07-29 2019-11-19 重庆邮电大学 一种基于神经网络技术的农业水利调度方法及系统
CN110443418A (zh) * 2019-07-31 2019-11-12 西安科技大学 基于ga-bp神经网络的城市用水量预测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
一种城市需水量预测的模糊认知图方法;韩慧健等;《计算机科学》;47-51 *

Also Published As

Publication number Publication date
CN111163430A (zh) 2020-05-15

Similar Documents

Publication Publication Date Title
CN109285346B (zh) 一种基于关键路段的城市路网交通状态预测方法
CN110570651B (zh) 一种基于深度学习的路网交通态势预测方法及系统
CN111210633B (zh) 一种基于深度学习的短时交通流预测方法
CN113379110B (zh) 一种中长期径流预报结果趋势检验方法
CN106971547B (zh) 一种考虑时空相关性的短时交通流预测方法
CN102169606B (zh) 一种城市轨道交通网络大客流影响的预测方法
CN102074124A (zh) 一种基于svm及h∞滤波的动态公交到站时间预测方法
CN108537336B (zh) 一种基于深度神经网络的空气质量预测方法
CN111163430B (zh) 基于手机基站用户定位数据的水量预测的方法
CN102395135A (zh) 一种基于灰色系统模型神经网络的vlr用户数预测方法
Huang et al. A new air quality forecasting model using data mining and artificial neural network
CN112116149B (zh) 一种考虑预报不确定性关联演化特征的多站中长期径流滚动概率预测方法
CN116485584B (zh) 高寒区大底坡河流wee协同调控方法及系统
CN107515842B (zh) 一种城市人口密度动态预测方法及系统
CN106067079A (zh) 一种基于bp神经网络的灰霾预测的系统和方法
Wang et al. Intercity population migration conditioned by city industry structures
CN106339769A (zh) 一种面向移动社会网络的用户出行预测方法
Liao et al. Air quality prediction by integrating mechanism model and machine learning model
Guo et al. A combined model based on sparrow search optimized BP neural network and Markov chain for precipitation prediction in Zhengzhou City, China
CN110969312A (zh) 基于变分模态分解和极端学习机的短期径流预测耦合方法
Zhao et al. Celltrademap: Delineating trade areas for urban commercial districts with cellular networks
WO2019104952A1 (zh) 一种基于城域级物联网感知数据的场景智能分析系统与方法
Gao et al. A multifactorial framework for short-term load forecasting system as well as the jinan’s case study
Nutkiewicz et al. Exploring the integration of simulation and deep learning models for urban building energy modeling and retrofit analysis
Lv et al. Traffic network resilience analysis based on the GCN-RNN prediction model

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant