王強

摘要：隨著計算機技術(shù)的快速發(fā)展，人工智能的不斷深入，機器學(xué)習(xí)、深度學(xué)習(xí)技術(shù)應(yīng)用廣泛，云計算應(yīng)用日趨成熟，因此可以設(shè)計一款城鎮(zhèn)供水量預(yù)測的云平臺，將基于深度學(xué)習(xí)的預(yù)測與基于云平臺的架構(gòu)有機結(jié)合。該文經(jīng)過調(diào)研城鎮(zhèn)供水公司，分析用戶需求，創(chuàng)建供水模型，完成日供水量模型的訓(xùn)練，實現(xiàn)日供水量預(yù)測。在此基礎(chǔ)上，借助云平臺完成結(jié)構(gòu)設(shè)計，提出城鎮(zhèn)供水量預(yù)測原型系統(tǒng)的系統(tǒng)設(shè)計構(gòu)成。 該設(shè)計針對具體城鎮(zhèn)實施，既考慮落實國家節(jié)水用水的方針政策，又兼顧服務(wù)民生，提升水務(wù)信息化水平。

關(guān)鍵詞：深度學(xué)習(xí)云計算;水務(wù)信息化

中圖分類號：TP3 ? 文獻標識碼：A

文章編號：1009-3044（2022）02-0001-03

目前國家將“建設(shè)節(jié)水型社會”納入生態(tài)文明建設(shè)戰(zhàn)略部署，節(jié)水用水上升到了國家戰(zhàn)略。因此加強科技創(chuàng)新，提高水務(wù)信息化水平是十分必要的， 基于深度學(xué)習(xí)的城鎮(zhèn)供水量預(yù)測的云平臺設(shè)計也是圍繞實現(xiàn)管網(wǎng)漏損率和節(jié)水降耗目標，提高水務(wù)信息化水平開展的科技研發(fā)。

1 研究背景分析

近5年，我國城鎮(zhèn)人口不斷增加， 城鎮(zhèn)化進程持續(xù)加速，同時工業(yè)企業(yè)的規(guī)模穩(wěn)步擴大，人民生活水平提高，這些因素都使得用水量不斷增加，這樣容易造成供水系統(tǒng)優(yōu)化調(diào)度不合理，不僅損失了大量的清潔水源，消耗了大量的電能，還會造成管網(wǎng)壓力偏高，增加水資源漏損或水管爆裂風(fēng)險，造成生命財產(chǎn)損失，釀成事故，威脅到安全。因此實現(xiàn)城鎮(zhèn)供水系統(tǒng)優(yōu)化很有必要，而用水預(yù)測是供水系統(tǒng)優(yōu)化的前提，傳統(tǒng)的供水網(wǎng)系統(tǒng)優(yōu)化、調(diào)度和水量預(yù)測帶有主觀性和片面性，達不到現(xiàn)代智慧城市的建設(shè)需要。

隨著第四次工業(yè)革命的飛速發(fā)展， 智慧水務(wù)也隨著時代的發(fā)展應(yīng)運而生，一種更為精細化、動態(tài)化、智能化的水務(wù)管理模式成了改善國計民生的重要手段。在此背景下利用新一代信息技術(shù)解決城市供水的預(yù)測，提高用水節(jié)水效率，達到節(jié)水目標，是有較高的理論研究價值和較為廣闊的應(yīng)用前景的，是一項有意義的需求牽引下的民生工程。

2 國內(nèi)外研究現(xiàn)狀

2015年后人工智能因為神經(jīng)網(wǎng)絡(luò)的深入開發(fā)再次成為研究熱點，隨著多學(xué)科的交叉融合應(yīng)用，現(xiàn)階段計算機網(wǎng)絡(luò)技術(shù)，計算機信息技術(shù)，神經(jīng)網(wǎng)絡(luò)和工程技術(shù)進行融合，為深度學(xué)習(xí)在城鎮(zhèn)供水系統(tǒng)中的應(yīng)用奠定了基礎(chǔ)，使得城鎮(zhèn)供水量預(yù)測系統(tǒng)這個交叉研究領(lǐng)域得以擴展。

通過閱讀文獻，目前發(fā)達國家和比較富裕的地區(qū)，已經(jīng)在該領(lǐng)域進行了比較深入的研究并著手開始應(yīng)用，很多學(xué)者、專家、政府官員也開始對此進行關(guān)注。

在美國，Jain 和 Ormsbee調(diào)研肯塔基州列克星敦市的供水情況，設(shè)計了一款決策支持系統(tǒng)，這個系統(tǒng)的主要功能是為了防范干旱造成的損失[1]，他們采用的技術(shù)是時間序列分析、人工神經(jīng)網(wǎng)絡(luò)、回歸分析等，達到的效果是預(yù)測該市的用水量，轄區(qū)內(nèi)肯塔基河流量，制定防范干旱的預(yù)測，指導(dǎo)轄區(qū)的農(nóng)業(yè)生產(chǎn)和居民生活。

在英國，F(xiàn)roukh調(diào)研了泰晤士水務(wù)公司斯文頓的數(shù)據(jù)[2]，設(shè)計了一款決策支持系統(tǒng)，這個系統(tǒng)的主要功能是生活用水的預(yù)測，為了滿足人民生活需要，合理調(diào)配資源。

在亞洲，Mohamed 和 Al-Mualla調(diào)研 Umm Al-Quwain 酋長國，它位于阿拉伯聯(lián)合酋長國北部（UAE）的北部，這個地區(qū)是比較富裕的地區(qū)之一，因為旅游和石油的原因，但是水資源是相對緊張的，設(shè)計開發(fā)系統(tǒng)用于預(yù)測未來25年對水的需求量[3]。

在韓國，設(shè)計開發(fā)了一個決策支持系統(tǒng)，它的主要功能是預(yù)測用水需求和水資源管理，采用遺傳算法[4]、人工神經(jīng)網(wǎng)絡(luò)的模型[5]，旨在達到不同區(qū)域之間水資源的有效配置。

在我國，對水資源的合理調(diào)配由來已久，我國最大的水資源調(diào)配工程就是南水北調(diào)。在南水北調(diào)項目中也設(shè)計了決策支持系統(tǒng)，通過水的可計算一般均衡模型實現(xiàn)供應(yīng)的動態(tài)平衡，同時也可以對預(yù)測區(qū)域進行水的預(yù)測。由于工程浩大，適用于大范圍、大區(qū)域，對于一般城鎮(zhèn)精確度有待提高。

3 關(guān)鍵問題分析

經(jīng)過查閱資料，目前在城市供水量預(yù)測模型研究方面有很多學(xué)者進行研究，因為考慮到信息技術(shù)的普及性，對市級以下區(qū)縣、城鎮(zhèn)的關(guān)注尚不重視。而供水量預(yù)測過程中會受到諸如降水量等客觀因素的影響，而許多因素會因區(qū)縣不同而不同，因此細化利于研究深入開展，也會適應(yīng)城鎮(zhèn)化進程加劇的需要。

研究學(xué)者提出了很多技術(shù)模型，在技術(shù)上有效推動人工智能的發(fā)展， 利用多元線性回歸分析的方法對城鎮(zhèn)用水進行預(yù)測[6]，采用有經(jīng)典的時間序列預(yù)測模型[7]，采用人工神經(jīng)網(wǎng)絡(luò)模型[8]，采用支持向量回歸模型[9]和改進ARIMA模型[10]進行城市供水量預(yù)測等。但是城鎮(zhèn)供水管網(wǎng)系統(tǒng)是一個極其復(fù)雜的非線性系統(tǒng)，人口數(shù)量、 第一、二、三產(chǎn)業(yè)產(chǎn)值、城市降水量以及管網(wǎng)復(fù)雜性，都能引起供水量時間序列的變化，所以定量模型會有所偏差。

另外，隨著城鎮(zhèn)化進程的不斷提升，城市供水量數(shù)據(jù)快速增長，不僅如此，數(shù)據(jù)類型復(fù)雜度提高， 使得預(yù)測平臺的計算能力、存儲能力和處理速度都面臨挑戰(zhàn)，傳統(tǒng)單機環(huán)境的存儲和計算已經(jīng)不能達到要求，如果計算存儲資料重復(fù)配置，又造成大量浪費。

解決這個問題最好的辦法是應(yīng)用云計算服務(wù)模式，它可以有效地針對海量數(shù)據(jù)、復(fù)雜數(shù)據(jù)進行存儲、分析，利用分布式計算節(jié)點，通過網(wǎng)絡(luò)提供服務(wù)，提高預(yù)測精度，因此構(gòu)建基于深度學(xué)習(xí)的城鎮(zhèn)供水量預(yù)測的云平臺是有效手段。

3.1基于深度學(xué)習(xí)的預(yù)測

解決復(fù)雜系統(tǒng)問題和非線性問題采用基于人工智能的預(yù)測方法有優(yōu)越性，支持向量機、人工神經(jīng)網(wǎng)絡(luò)和人工神經(jīng)網(wǎng)絡(luò)的變異模型是很好例證。支持向量機，簡稱為SVM，可以很好處理分類問題，并應(yīng)用于回歸問題，稱為支持向量回歸，簡稱為SVR[11]。人工神經(jīng)網(wǎng)絡(luò)（ANN）的基本的組成單位為神經(jīng)元，簡稱為“單元”又被稱為“節(jié)點”，是一種模擬生物的神經(jīng)網(wǎng)絡(luò)來處理信息的數(shù)學(xué)模型[12]。大量的神經(jīng)元按照一定的層次結(jié)構(gòu)相互連接起來就構(gòu)成了 ANN。

當前城鎮(zhèn)供水預(yù)測所要解決的突出問題是提高預(yù)測的準確性，研究隨機因素導(dǎo)致的不確定性，提高系統(tǒng)的穩(wěn)定性和可靠性[13]。深度學(xué)習(xí)模型通過構(gòu)建深層次非線性網(wǎng)絡(luò)拓撲結(jié)構(gòu)，實現(xiàn)對任意復(fù)雜函數(shù)的逼近，分布式表示原始輸入樣本，體現(xiàn)出超強挖掘本質(zhì)特征的能力[14]。因此城鎮(zhèn)供水預(yù)測這個復(fù)雜的過程需要在深度學(xué)習(xí)架構(gòu)中訓(xùn)練，提取復(fù)雜特征，達到有效預(yù)測。

3.2云計算平臺的必要性

云計算能夠根據(jù)用戶的需求動態(tài)地進行部署、配置或者取消服務(wù)，可以將分布計算、并行計算、虛擬技術(shù)、網(wǎng)絡(luò)存儲融合，為用戶提供海量復(fù)雜數(shù)據(jù)存儲和高性能計算，非常適合目前大數(shù)據(jù)時代信息量徒增的現(xiàn)實。

4 關(guān)鍵問題解決方案

4.1日供水模型的建立

深度學(xué)習(xí)是一類深度神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法，在傳統(tǒng)的人工神經(jīng)網(wǎng)絡(luò)基礎(chǔ)上發(fā)展而來。混沌理論是一種兼具質(zhì)性思考與量化分析的方法，用以探索動態(tài)系統(tǒng)中無法用單一的數(shù)據(jù)關(guān)系，而必須用整體、連續(xù)的數(shù)據(jù)關(guān)系才能加以解釋及預(yù)測的行為。

引入混沌理論對供水量時間序列進行分析，通過采用混沌特性識別對時間序列進行可預(yù)測分析，得出實例的可預(yù)測性[15]。即：利用功率譜和最大 Lyapunov 指數(shù)從定性和定量兩個方面研究了日供水量時間序列的混沌特性，重構(gòu)日供水量時間序列的相空間。

提出了供水預(yù)測模型1——基于混沌理論和連續(xù)深度信念神經(jīng)網(wǎng)絡(luò)（CDBNN）的日供水量預(yù)測模型。首先識別日供水量序列的規(guī)則性和不規(guī)則性。其核心是得到日供水量序列的功譜。通過定性分析和定量分析研究自來水廠日供水量序列的混沌特性，定性分析利用功率譜，定量分析利用最大 Lyapunov 指數(shù)。然后獲取訓(xùn)練數(shù)據(jù)集特征，利用DBN實現(xiàn)逐層獨立訓(xùn)練。最后進行微調(diào)，采用反向傳播監(jiān)督法。經(jīng)過獨立訓(xùn)練后，一次預(yù)測只輸出下一天的日供水量的數(shù)據(jù)，預(yù)測完成后，對應(yīng)日供水量的實際值與其他真實的歷史數(shù)據(jù)一起構(gòu)成新的輸入數(shù)據(jù)，輸入到 CDBNN 模型中，進行下一步預(yù)測。

提出了供水預(yù)測模型2——雙尺度深度信念網(wǎng)絡(luò)日供水量預(yù)測模型。首先分解原始日供水量序列，得到殘差分量和固有模態(tài)函數(shù) IMFs。一般采用EEMD技術(shù)完成。然后重構(gòu)日供水序列的不確定項和確定性項，最后采用雙 DBN 模型并對其進行預(yù)測，整合兩個預(yù)測結(jié)果得到原始日供水量的預(yù)測值。

4.2云平臺模型的建立

根據(jù)城鎮(zhèn)供水量預(yù)測系統(tǒng)的實際需求，采用深度學(xué)習(xí)、模糊理論、云計算存儲等技術(shù)，構(gòu)建基于深度學(xué)習(xí)的城鎮(zhèn)供水量預(yù)測云平臺，其結(jié)構(gòu)如圖1所示。

基于深度學(xué)習(xí)的城鎮(zhèn)供水量預(yù)測云平臺將創(chuàng)建四層，分別是云平臺層，算法層，接口層和界面層。

（1）云平臺層：云平臺層提供存儲空間和計算服務(wù)，這是城鎮(zhèn)供水預(yù)測云系統(tǒng)的重要組成部分，包括了HDFS文件系統(tǒng)、數(shù)據(jù)庫、模型集合，提供分布式云計算機框架，可以采用Map Reduce作為云計算機框架。

云平臺層的主要功能是實現(xiàn)供水量數(shù)據(jù)的存儲，就目前而言隨著城鎮(zhèn)化的進程加速和工業(yè)企業(yè)規(guī)模擴大，供水量指數(shù)級增長的現(xiàn)狀下，數(shù)據(jù)量是比較大的。其次在云平臺層要以數(shù)據(jù)塊的形式分布式存儲模型，完成供水量歷史數(shù)據(jù)的備份。第三，實現(xiàn)容錯功能。

（2）算法層：算法層完成城鎮(zhèn)供水系統(tǒng)原始數(shù)據(jù)的預(yù)處理，將處理后的數(shù)據(jù)按照比例分成訓(xùn)練數(shù)據(jù)和測試數(shù)據(jù)，完成模型的訓(xùn)練和供水量模型的預(yù)測，最后要進行性能評估。在算法層將以深度學(xué)習(xí)、模糊理論為指導(dǎo)，建立模型，訓(xùn)練模型，系統(tǒng)測試，因此算法層是整個供水預(yù)測云平臺的核心層。

算法層的另外一個作用是交互性，主要表現(xiàn)與云平臺的交互性，即在數(shù)據(jù)預(yù)處理、數(shù)據(jù)訓(xùn)練、數(shù)據(jù)模型測試和性能評估中，需要跟數(shù)據(jù)庫、模型庫進行協(xié)調(diào)，獲取資源信息完成精度要求的預(yù)測。與用戶的間接交互性，即：接收用戶通過界面層傳遞的信息，同時在供水量模型完成測試后，要將測試結(jié)果返回給界面層。

在算法層中，模型的選取、模型的訓(xùn)練、模型的測試、性能評估是一個反復(fù)的過程，一方面要兼具用戶的需求，面向特定的供水公司，考慮到供水量數(shù)據(jù)的差異性，另一方面要甄別、篩選、改進模型庫中模型，選取與之對應(yīng)的，根據(jù)預(yù)測模型的特點，從中尋求最好、最優(yōu)的方案優(yōu)化參數(shù)，構(gòu)建輸入特征和模型參數(shù)最有組合來完成模型構(gòu)建。

（3）接口層：接口層的主要作用是實現(xiàn)數(shù)據(jù)交換和信息傳遞，接口層是通訊層，是連接界面層和算法層，算法層和平臺層的通道。接口層是整個城鎮(zhèn)供水量預(yù)測平臺的運輸線，包括了系統(tǒng)接口、存儲接口、算法接口、查詢接口和必要的傳輸接口。

（4）界面層： 界面層是用戶與城鎮(zhèn)供水量測試云平臺的交互窗口，界面層是面向用戶的，當用戶發(fā)出指令，通過界面層達到人機對話的目的，將信息傳遞給平臺，平臺接收到用戶的指令后，要執(zhí)行響應(yīng)的指令。當平臺完成訓(xùn)練和測試工作，要將結(jié)果返回給用戶，也是通過界面層將信息反饋給用戶。用戶根據(jù)測試結(jié)果，反饋信息，再次發(fā)出指令，平臺接到指令，進行評估、優(yōu)化、調(diào)整，繼續(xù)訓(xùn)練、測試，反復(fù)多次，最終達到最優(yōu)效果。

4.3實驗方案的實施

在區(qū)縣級自來水廠調(diào)研的基礎(chǔ)上，采集數(shù)據(jù)，了解需求，把握規(guī)律，深入學(xué)習(xí)和研究云計算技術(shù)、人工智能技術(shù)和神經(jīng)網(wǎng)絡(luò)理論，建立供水模型，進行單步測試。對于衡量測試模型優(yōu)劣的最重要的指標是考察其適應(yīng)性和魯棒性，單步測試是有效的手段。因為如果一個不準確的預(yù)測值發(fā)生，而真實值被用來修正下一步的預(yù)測，采用單步測試不會引起連鎖反應(yīng)，造成災(zāi)難性后果。測試完成，進行集成經(jīng)驗?zāi)B(tài)分解。它的作用是為了確定原始的日供水量時間序列的所有局部極小值和極大值。通過反復(fù)調(diào)整，優(yōu)化對比，形成穩(wěn)定模型。設(shè)計基于神經(jīng)網(wǎng)絡(luò)的供水預(yù)測云平臺的方案，應(yīng)用到區(qū)縣級自來水廠，繼續(xù)優(yōu)化，不斷完善，如圖2所示。

5 結(jié)論

韓國作為我國近鄰，其應(yīng)用人工智能技術(shù)為生產(chǎn)、生活服務(wù)起步也很早，利用人工神經(jīng)網(wǎng)絡(luò)的模型預(yù)測用水需求做過很好地嘗試，也促進了城市內(nèi)不同區(qū)域之間水資源的有效配置。因此韓國在人工智能應(yīng)用的經(jīng)驗值得借鑒，為此我與韓國建立聯(lián)系，交流深造、取長補短，學(xué)習(xí)更多知識，達到自我提升的目的。

隨著計算機技術(shù)的快速發(fā)展，人工智能的不斷深入，基于深度學(xué)習(xí)的城市供水量預(yù)測云平臺實現(xiàn)計算機技術(shù)與工程技術(shù)等多學(xué)科的信息融合，可以較為精確地預(yù)測供水結(jié)果和利用供水結(jié)果，其魯棒性和動態(tài)反饋性也比較好。

城鎮(zhèn)供水量預(yù)測納入智慧城市的規(guī)劃建設(shè)，可以優(yōu)化區(qū)縣級泵站的調(diào)度，使得用戶在不同時間段內(nèi)對水量的需求得到滿足，一方面用戶正常用水需求得到保證，生產(chǎn)電耗能夠降低，能源開支得到節(jié)省，三四季度出現(xiàn)的能源緊張的局面也可以緩解，另一方面滿足人民群眾對水質(zhì)提升的要求，盡可能指導(dǎo)自來水公司的生產(chǎn)、輸送、分配、調(diào)度和用戶用水同時進行，讓水不過久存儲，降低水質(zhì)安全風(fēng)險，使社會效益和經(jīng)濟效益最大化。

參考文獻：

[1] Bai Y，Wang P，Li C，et al.Dynamic forecast of daily urban water consumption using a variable-structure support vector regression model[J].Journal of Water Resources Planning and Management，2015，141（3）：04014058.

[2] Jain A，Varshney A K，Joshi U C.Short-term water demand forecast modelling at IIT Kanpur using artificial neural networks[J].Water Resources Management，2001，15（5）：299-321.

[3] Liu J G，Savenije H H G，Xu J X.Forecast of water demand in Weinan City in China using WDF-ANN model[J].Physics and Chemistry of the Earth，Parts A/B/C，2003，28（4/5）：219-224.

[4] Bougadis J，Adamowski K，Diduch R.Short-term municipal water demand forecasting[J].Hydrological Processes，2005，19（1）：137-148.

[5] Adamowski J F.Peak daily water demand forecast modeling using artificial neural networks[J].Journal of Water Resources Planning and Management，2008，134（2）：119-128.

[6] Msiza I S，Nelwamondo F V，Marwala T.Water demand prediction using artificial neural networks and support vector regression[J].Journal of Computers，2008，3（11）：1-8.

[7] Babel M S，Shinde V R.Identifying prominent explanatory variables for water demand prediction using artificial neural networks：a case study of bangkok[J].Water Resources Management，2011，25（6）：1653-1676.

[8] Ghiassi M，Zimbra D K，Saidane H.Urban water demand forecasting with a dynamic artificial neural network model[J].Journal of Water Resources Planning and Management，2008，134（2）：138-146.

[9] Adamowski J，Karapataki C.Comparison of multivariate regression and artificial neural networks for peak urban water-demand forecasting：evaluation of different ANN learning algorithms[J].Journal of Hydrologic Engineering，2010，15（10）：729-743.

[10] Firat M，Turan M E，Yurdusev M A.Comparative analysis of neural network techniques for predicting water consumption time series[J].Journal of Hydrology，2010，384（1/2）：46-51.

[11] 李黎武，施周.基于小波支持向量機的城市用水量非線性組合預(yù)測[J].中國給水排水，2010，26（1）：54-56，59.

[12] Bai Y，Wang P，Li C，et al.A multi-scale relevance vector regression approach for daily urban water demand forecasting[J].Journal of Hydrology，2014，517：236-245.

[13] 劉洪波，鄭博一，蔣博齡.基于人工魚群神經(jīng)網(wǎng)絡(luò)的城市時用水量預(yù)測方法[J].天津大學(xué)學(xué)報（自然科學(xué)與工程技術(shù)版），2015，48（4）：373-378.

[14] 王圃，唐鵬飛，白云，等.基于多分辨BP神經(jīng)網(wǎng)絡(luò)的城市日供水量預(yù)測模型[J].中國給水排水，2018，34（11）：51-55，60.

[15] 趙鵬，張宏偉.城市用水量的混沌特性與預(yù)測[J].中國給水排水，2008，24（5）：90-93，97.

【通聯(lián)編輯：朱寶貴】