基于LSTM-NeuralProphet模型的城市需水预测方法研究

城市水资源规划和管理是确保城市可持续发展和居民生活基本需求得到满足的关键环节，城市短期需水预测是城市水资源规划和管理的基础。由于气温、降水量和蒸发量等随季节变化明显，直接影响不同季节的用水峰值、高峰期，导致传统基于时间序列算法的固定时隙预测无法适应时隙的变化，从而不能保证预测精度。针对固定时隙预测精度低的问题，研究了基于四季24 h时间分辨率和夏季15 min时间分辨率的双时间尺度城市短期需水预测模型。该模型使用Anomaly-Transformer模型进行异常值检测，并通过分段曲线拟合对异常值校正，采用主成分分析法对城市短期需水影响因子进行分析提取主成分，在AutoML的标准模型分析中选取三个效果最好的模型作为Stacking模型的基学习器再结合长短期记忆网络（Long Short-Term Memory, LSTM）和Optune框架超参数优化后的NeuralProphet模型对双时间尺度的城市短期需水量进行预测，同时加入安全网机制，以保证LSTM-NeuralProphet模型的精确度。与其他模型（LSTM模型、NeuralProphet模型、BP神经网络模型）相比，LSTM-N...