基于迁移学习的城市用水量预测方法、系统、设

本技术涉及用水量预测，特别是涉及一种基于迁移学习的城市用水量预测方法、系统、设备及介质。背景技术：1、随着城市化进程的加速和人口的不断增长，不同用水模式（如生活用水和工业用水等）的用水需求也在不断变化。因此，准确预测城市用水量，对于城市供水分配与控制、水资源管理和节约用水等方面都具有重要意义。2、目前，城市用水量预测方法多种多样，包括时间序列分析、回归分析、机器学习等，其中，机器学习通过构建用水量预测模型，能够高效地处理和分析大量的历史用水数据和影响因素数据进行用水需求预测。但是，在实际应用中，由于不同地区的用水模式存在差异，如一些地区可能以生活用水为主，而另一些地区则可能工业用水占据较大比重，导致用水量预测模型在不同用水模式下的表现存在差异。并且由于用水量受到产业结构分布、人口分布、季节性降水、气温变化、节假日等多种因素的影响，而这些因素可能因区域的变化而存在差异，导致用水量预测模型在不同区域的表现也可能存在差异。3、因此，如何克服用水量预测在用水模式和地域分布上不具备完全的普适性的缺陷，提高城市用水量的预测精度和适用性成为本领域技术人员亟待解决的技术问题。技术实现思路1、基于此，有必要针对上述技术问题，提供一种基于迁移学习的城市用水量预测方法、系统、设备及介质。2、一种基于迁移学习的城市用水量预测方法，所述方法包括：3、按照设定网格大小分别对源城市和目标城市进行划分，得到多个一级源域和一级目标域；4、采集获取各个一级源域和一级目标域的供水管网的管道流量阈值和管道节点压力阈值，并根据管道流量阈值和管道节点压力阈值分别构建一级源域和一级目标域的管道约束；5、采集获取各个一级源域和一级目标域的供水管网中设定时间段内不同用水模式的历史用水量数据和影响因素数据，并通过对数据进行预处理，得到一级源域和一级目标域中不同用水模式的历史用水量序列及对应的影响因素序列；其中，用水模式包括生活用水和工业用水；6、通过计算任意一级源域与任意一级目标域的历史用水量序列的最大均值差异，对每个一级目标域确定一个最大均值差异最小的一级源域作为匹配源域；7、针对每个匹配源域构建一个用水量预测模型，将匹配源域中不同用水模式的历史用水量序列及对应的影响因素序列输入用水量预测模型进行用水量预测，并基于匹配源域的管道约束与用水量预测损失构建第一类损失函数对用水量预测模型进行训练，得到匹配源域训练好的用水量预测模型；其中，用水量预测模型包括生活用水量预测模型和工业用水量预测模型；8、将匹配源域训练好的用水量预测模型作为匹配源域对应的一级目标域的初始用水量预测模型，将一级目标域中不同用水模式的历史用水量序列及对应的影响因素序列输入初始用水量预测模型进行用水量预测，并基于一级目标域的管道约束与用水量预测损失构建第二类损失函数对初始用水量预测模型进行训练，得到一级目标域训练好的用水量预测模型，并根据一级目标域训练好的用水量预测模型预测得到一级目标域目标时间内不同用水模式的用水量。9、在其中一个实施例中，采集获取各个一级源域和一级目标域的供水管网的管道流量阈值和管道节点压力阈值，并根据管道流量阈值和管道节点压力阈值分别构建一级源域和一级目标域的管道约束，包括：10、采集获取各个一级源域的供水管网的管道流量阈值和管道节点压力阈值，并采用罚函数分别定义一级源域中的管道流量阈值约束和管道节点压力阈值约束，构建得到一级源域的管道约束，表示为11、；12、其中，为一级源域的管道流量阈值约束罚函数，为一级源域的管道节点压力阈值约束罚函数，为一级源域的供水管道集合，为一级源域中第个管道的流量，为一级源域中第个管道的最大流量，第一级源域中第个管道的最小流量，为一级源域的管道节点集合，为一级源域中第个管道节点的压力，为一级源域中第个管道节点的最大压力，为一级源域中第个管道节点的最小压力；13、采集获取各个一级目标域的供水管网的管道流量阈值和管道节点压力阈值，并采用罚函数分别定义一级目标域中的管道流量阈值约束和管道节点压力阈值约束，构建得到一级目标域的管道约束，表示为14、；15、其中，为一级目标域的管道流量阈值约束罚函数，为一级目标域的管道节点压力阈值约束罚函数，为一级目标域的供水管道集合，为一级目标域中第个管道的流量，为一级目标域中第个管道的最大流量，为一级目标域中第个管道的最小流量，为一级目标域的管道节点集合，为一级目标域中第个管道节点的压力，为一级目标域中第个管道节点的最大压力，为一级目标域中第个管道节点的最小压力。16、在其中一个实施例中，采集获取各个一级源域和一级目标域的供水管网中设定时间段内不同用水模式的历史用水量数据和影响因素数据，并通过对数据进行预处理，得到一级源域和一级目标域中不同用水模式的历史用水量序列及对应的影响因素序列，包括：17、采集获取各个一级源域和一级目标域的供水管网中设定时间段内历史生活用水量数据与对应的生活用水影响因素数据以及历史工业用水量数据与对应的工业用水影响因素数据，并进行数据清洗；18、按照时间顺序以设定时间步长对一级源域和一级目标域中历史生活用水量数据与对应的生活用水影响因素数据进行划分并基于设定的时间基准进行时间对齐，得到一级源域和一级目标域中时间对齐的历史生活用水量序列与对应的生活用水影响因素序列；19、按照时间顺序以设定时间步长对一级源域和一级目标域中历史工业用水量数据与对应的工业用水影响因素数据进行划分并基于设定的时间基准进行时间对齐，得到一级源域和一级目标域中时间对齐的历史工业用水量序列与对应的工业用水影响因素序列。20、在其中一个实施例中，通过计算任意一级源域与任意一级目标域的历史用水量序列的最大均值差异，对每个一级目标域确定一个最大均值差异最小的一级源域作为匹配源域，包括：21、计算同一时间步长内任意一级源域与任意一级目标域中的历史生活用水量的均值差异，并遍历所有时间步长，获取任意一级源域与任意一级目标域的历史生活用水量序列的最大均值差异；22、计算同一时间步长内任意一级源域与任意一级目标域中的历史工业用水量的均值差异，并遍历所有时间步长，获取任意一级源域与任意一级目标域的历史工业用水量序列的最大均值差异；23、通过联合并最小化历史生活用水量序列的最大均值差异和历史工业用水量序列的最大均值差异，对每个一级目标域确定一个联合后的最大均值差异最小的一级源域作为匹配源域。24、在其中一个实施例中，针对每个匹配源域构建一个用水量预测模型，将匹配源域中不同用水模式的历史用水量序列及对应的影响因素序列输入用水量预测模型进行用水量预测，并基于匹配源域的管道约束与用水量预测损失构建第一类损失函数对用水量预测模型进行训练，得到匹配源域训练好的用水量预测模型，包括：25、针对每个匹配源域构建一个用水量预测模型，包括生活用水量预测模型和工业用水量预测模型；26、将匹配源域中时间对齐的历史生活用水量序列与对应的生活用水影响因素序列输入生活用水量预测模型进行生活用水量预测，并将匹配源域中时间对齐的历史工业用水量序列和对应的工业用水影响因素序列输入工业用水量预测模型进行工业用水量预测；27、基于匹配源域的管道约束、匹配源域的生活用水量预测损失以及匹配源域的工业用水量预测损失构建第一类损失函数，并根据第一类损失函数对用水量预测模型进行训练，直至达到预设的训练次数，得到匹配源域训练好的用水量预测模型；其中，第一类损失函数表示为28、；29、其中，为调节匹配源域的管道约束与用水量预测损失之间比例的超参数，且。30、在其中一个实施例中，生活用水量预测模型和工业用水量预测模型的网络结构一致，均由第一特征提取层、第二特征提取层、交叉注意力层和输出层组成；31、其中，第一特征提取层和第二特征提取层分别用于提取输入的历史用水量序列与对应的影响因素序列的时空分布特征，且第一特征提取层和第二特征提取层均由一个lstm层和一个cnn层组成；32、交叉注意力层用于采用交叉注意力机制对第一特征提取层和第二特征提取层输出的时空分布特征进行特征融合，得到融合特征；33、输出层用于采用激活函数对融合特征进行线性回归，得到预测用水量序列。34、在其中一个实施例中，将匹配源域训练好的用水量预测模型作为匹配源域对应的一级目标域的初始用水量预测模型，将一级目标域中不同用水模式的历史用水量序列及对应的影响因素序列输入初始用水量预测模型进行用水量预测，并基于一级目标域的管道约束与用水量预测损失构建第二类损失函数对初始用水量预测模型进行训练，得到一级目标域训练好的用水量预测模型，并根据一级目标域训练好的用水量预测模型预测得到一级目标域目标时间内不同用水模式的用水量，包括：35、将匹配源域训练好的用水量预测模型作为匹配源域对应的一级目标域的初始用水量预测模型；其中，初始用水量预测模型包括初始生活用水量预测模型和初始工业用水量预测模型；36、将一级目标域中时间对齐的历史生活用水量序列和对应的生活用水影响因素序列输入初始生活用水量预测模型进行生活用水量预测， 并将一级目标域中时间对齐的历史工业用水量序列和对应的工业用水影响因素序列输入初始工业用水量预测模型进行工业用水量预测；37、基于一级目标域的管道约束、一级目标域的生活用水量预测损失以及一级目标域的工业用水量预测损失构建第二类损失函数，并根据第二类损失函数对初始用水量预测模型进行训练，直至达到预设的训练次数，训练得到一级目标域训练好的用水量预测模型，并根据一级目标域训练好的用水量预测模型预测得到一级目标域在目标时间内的预测生活用水量序列和预测工业用水量序列；其中，第二类损失函数表示为38、；39、其中，为调节一级目标域的管道约束与用水量预测损失之间比例的超参数，且。40、一种基于迁移学习的城市用水量预测系统，所述系统包括：41、网格划分模块，用于按照设定网格大小分别对源城市和目标城市进行划分，得到多个一级源域和一级目标域；42、管道约束模块，用于采集获取各个一级源域和一级目标域的供水管网的管道流量阈值和管道节点压力阈值，并根据管道流量阈值和管道节点压力阈值分别构建一级源域和一级目标域的管道约束；43、数据预处理模块，用于采集获取各个一级源域和一级目标域的供水管网中设定时间段内不同用水模式的历史用水量数据和影响因素数据，并通过对数据进行预处理，得到一级源域和一级目标域中不同用水模式的历史用水量序列及对应的影响因素序列；其中，用水模式包括生活用水和工业用水；44、匹配模块，用于通过计算任意一级源域与任意一级目标域的历史用水量序列的最大均值差异，对每个一级目标域确定一个最大均值差异最小的一级源域作为匹配源域；45、源域训练模块，用于针对每个匹配源域构建一个用水量预测模型，将匹配源域中不同用水模式的历史用水量序列及对应的影响因素序列输入用水量预测模型进行用水量预测，并基于匹配源域的管道约束与用水量预测损失构建第一类损失函数对用水量预测模型进行训练，得到匹配源域训练好的用水量预测模型；其中，用水量预测模型包括生活用水量预测模型和工业用水量预测模型；46、迁移预测模块，将匹配源域训练好的用水量预测模型作为匹配源域对应的一级目标域的初始用水量预测模型，将一级目标域中不同用水模式的历史用水量序列及对应的影响因素序列输入初始用水量预测模型进行用水量预测，并基于一级目标域的管道约束与用水量预测损失构建第二类损失函数对初始用水量预测模型进行训练，得到一级目标域训练好的用水量预测模型，并根据一级目标域训练好的用水量预测模型预测得到一级目标域目标时间内不同用水模式的用水量。47、一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：48、按照设定网格大小分别对源城市和目标城市进行划分，得到多个一级源域和一级目标域；49、采集获取各个一级源域和一级目标域的供水管网的管道流量阈值和管道节点压力阈值，并根据管道流量阈值和管道节点压力阈值分别构建一级源域和一级目标域的管道约束；50、采集获取各个一级源域和一级目标域的供水管网中设定时间段内不同用水模式的历史用水量数据和影响因素数据，并通过对数据进行预处理，得到一级源域和一级目标域中不同用水模式的历史用水量序列及对应的影响因素序列；其中，用水模式包括生活用水和工业用水；51、通过计算任意一级源域与任意一级目标域的历史用水量序列的最大均值差异，对每个一级目标域确定一个最大均值差异最小的一级源域作为匹配源域；52、针对每个匹配源域构建一个用水量预测模型，将匹配源域中不同用水模式的历史用水量序列及对应的影响因素序列输入用水量预测模型进行用水量预测，并基于匹配源域的管道约束与用水量预测损失构建第一类损失函数对用水量预测模型进行训练，得到匹配源域训练好的用水量预测模型；其中，用水量预测模型包括生活用水量预测模型和工业用水量预测模型；53、将匹配源域训练好的用水量预测模型作为匹配源域对应的一级目标域的初始用水量预测模型，将一级目标域中不同用水模式的历史用水量序列及对应的影响因素序列输入初始用水量预测模型进行用水量预测，并基于一级目标域的管道约束与用水量预测损失构建第二类损失函数对初始用水量预测模型进行训练，得到一级目标域训练好的用水量预测模型，并根据一级目标域训练好的用水量预测模型预测得到一级目标域目标时间内不同用水模式的用水量。54、一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：55、按照设定网格大小分别对源城市和目标城市进行划分，得到多个一级源域和一级目标域；56、采集获取各个一级源域和一级目标域的供水管网的管道流量阈值和管道节点压力阈值，并根据管道流量阈值和管道节点压力阈值分别构建一级源域和一级目标域的管道约束；57、采集获取各个一级源域和一级目标域的供水管网中设定时间段内不同用水模式的历史用水量数据和影响因素数据，并通过对数据进行预处理，得到一级源域和一级目标域中不同用水模式的历史用水量序列及对应的影响因素序列；其中，用水模式包括生活用水和工业用水；58、通过计算任意一级源域与任意一级目标域的历史用水量序列的最大均值差异，对每个一级目标域确定一个最大均值差异最小的一级源域作为匹配源域；59、针对每个匹配源域构建一个用水量预测模型，将匹配源域中不同用水模式的历史用水量序列及对应的影响因素序列输入用水量预测模型进行用水量预测，并基于匹配源域的管道约束与用水量预测损失构建第一类损失函数对用水量预测模型进行训练，得到匹配源域训练好的用水量预测模型；其中，用水量预测模型包括生活用水量预测模型和工业用水量预测模型；60、将匹配源域训练好的用水量预测模型作为匹配源域对应的一级目标域的初始用水量预测模型，将一级目标域中不同用水模式的历史用水量序列及对应的影响因素序列输入初始用水量预测模型进行用水量预测，并基于一级目标域的管道约束与用水量预测损失构建第二类损失函数对初始用水量预测模型进行训练，得到一级目标域训练好的用水量预测模型，并根据一级目标域训练好的用水量预测模型预测得到一级目标域目标时间内不同用水模式的用水量。61、上述基于迁移学习的城市用水量预测方法、系统、设备及介质，相较于现有技术具备以下技术效果：62、1、本技术通过对源城市和目标城市进行网格划分，使得迁移时不用考虑城市整体的相似度，只需考虑一级源域与一级目标域之间的匹配程度，就可以将基于匹配源域训练的用水量预测模型迁移至对应的一级目标域中，提高了用水量预测模型在地域上的适用性。63、2、本技术考虑到城市用水的不同模式包括生活用水和工业用水，对每个匹配源域分别构建了生活用水量预测模型和工业用水量预测模型进行模型训练和用水量预测，提高了用水量预测模型在用水模式上的适用性。64、3、本技术结合匹配源域和一级目标域的供水管网的管道流量阈值和管道节点压力阈值构建管道约束，并通过将匹配源域的管道约束与用水量预测损失结合起来设计了第一类损失函数，将一级目标域的管道约束与用水量预测损失结合起来设计了第二类损失函数，分别用于匹配源域和一级目标域的模型训练，在模型训练过程中综合考虑了不同域的管道约束和用水量预测损失，使得模型训练更加全面和有效，提高了用水量预测的准确性和可靠性。