基于LSTM_Mixer的用于用水需求预测的多尺度时间序列分解
《Journal of Water Process Engineering》:Multi-scale time series decomposition for water demand forecasting based on LSTM_Mixer
【字体:
大
中
小
】
时间:2026年09月27日
来源:Journal of Water Process Engineering 6.6
编辑推荐:
- 提出一种基于多尺度分解的混合模型用于需水量预测。- 将需水量数据分解为周、日和小时分量进行预测。- 在十个DMA的一步和多步需水量预测中对模型性能进行了验证。
**引言**
供水企业在控制管道泄漏和优化供水系统(WDS)运行中发挥着关键作用[1]。精确的供水系统水力模
- 提出一种基于多尺度分解的混合模型用于需水量预测。- 将需水量数据分解为周、日和小时分量进行预测。- 在十个DMA的一步和多步需水量预测中对模型性能进行了验证。
**引言**
供水企业在控制管道泄漏和优化供水系统(WDS)运行中发挥着关键作用[1]。精确的供水系统水力模型能够提高其运行效率和管理效能,而供水系统的水力过程由用户需求驱动;因此,在进行水力评估之前必须估算用户需求[2]、[3]。因此,可靠的需水量预测模型对于支持企业优化调度策略、降低能耗成本和运营费用至关重要[4]、[5]。
需水量预测模型的方法主要可分为线性方法和非线性方法[6]、[7]、[8]。研究人员使用线性统计方法实现准确预测,包括指数平滑、自回归积分滑动平均模型(ARIMA)和多元线性回归。Caiado [9]使用Holt-Winters、ARIMA和广义自回归条件异方差方法开发了一个双季节单变量时间序列模型。Oliveira等人[10]通过最小化最小二乘目标函数,利用和声搜索算法优化ARIMA参数,以进行分区计量区(DMAs)的需水量预测。线性方法的优势在于其模型架构简单且可解释性高。然而,线性假设限制了其描述需水量数据中非线性的能力[6]。近年来,研究人员越来越多地将关注点转向机器学习(ML)和深度学习(DL)等非线性方法。
非线性方法因其与需水量数据的非线性特征兼容而受到了大量研究关注。支持向量回归(SVR)[11]、[12]、[13]和随机森林(RF)[14]、[15]等机器学习模型被广泛应用于各种时间序列预测领域。Herrera等人[16]成功地将SVR应用于西班牙某城市的需水量预测。Oliveira等人[10]利用智能水表数据预测90个账户的小时级需水量,证实RF在预测性能上优于SVR。在深度学习领域,Pesantez等人[17]将每周需水量数据和气象变量相结合,表明人工神经网络(ANN)在预测性能上优于多元线性回归(MLR)。
为了拓展深度学习在需水量预测中的应用,Guo等人[18]开发了一个门控循环单元(GRU)网络模型,该模型在单步和多步场景中均表现出优于ANN的性能。这些研究进一步证明了深度学习模型在需水量预测中的独特优势。Zanfei等人[19]提出了一种基于图卷积循环神经网络的新型需水量预测方法。该方法通过有效整合时空依赖关系,显著提高了与SARIMA和LSTM模型相比的短期预测精度。与线性模型相比,深度学习模型表现为具有大量可训练参数且可解释性有限的黑箱。正如Mau?ner等人[20]所强调的,这种特性可能会削弱用户对这些模型的信任。欧盟《通用数据保护条例》[21]要求数据控制者提供解释决策逻辑的"有意义信息"。同时,《人工智能白皮书》[22]将提高AI的可解释性确定为下一波数据创新的关键重点。未来深度学习模型的研发应更加重视稳定性和可解释性[23]。
Kolyshkina等人[21]和Bassan等人[24]将可解释性分为局部可解释性和全局可解释性。一方面,局部可解释性侧重于揭示输入特征如何正向或负向影响单个模型输出,从而帮助理解模型对特定实例做出决策的依据。例如,Mu等人[25]研究了温度、降雨等外部特征对长短期记忆网络(LSTM)在需水量预测模型中性能的影响。Xenochristou等人[26]采用梯度提升机整合家庭用水需求模式、基于邮政编码的空间分布、人口统计特征和气象数据,预测一至七天的需水量。该分析阐明了不同空间尺度上的预测精度并识别了关键影响因素。Mau?ner等人[20]和Que等人[27]利用需水量预测挑战赛提供的数据集,使用局部可解释模型无关解释方法(LIME)来解释和比较气象特征对需水量的影响。Hu等人[29]提出了一种基于自适应信号分解技术(称为自适应噪声完备集成经验模态分解,CEEMDAN)的需水量预测预处理框架,将需水量时间序列数据分解为多个简单且更具周期性的子信号(本征模态函数,IMF)和一个残差项。然后,分别为每个子信号建立基本预测模型(如GRU、ANN等),并将所有子信号的预测结果求和得到最终的需水量预测值。该方法提供了不同信号分量对最终预测值的贡献。然而,通过信号分解的预处理方法也在学术界引发了对数据方面的担忧[30]。
另一方面,全局可解释性强调使模型的整个推理过程透明且可理解,关注整体行为的逻辑和决策模式[31]。这种方法揭示了模型如何从数据集中提取模式,促进模型验证和知识发现[32]。全局可解释性的提升使得模型输出能够映射到可理解的实际因素,支持将模型结果与先验知识结合以增强透明度[33]、[34]。
总之,尽管深度学习比线性方法能更好地处理需水量数据中的非线性关系,但其"黑箱"特性导致可解释性有限。现有研究大多关注局部解释,而关于全局可解释性的研究相对匮乏。例如,LIME只能解释单个预测,无法揭示模型在多个时间尺度上的整体行为。此外,需水量数据表现出显著的多尺度周期性,如小时级、日级和周级分量,但现有模型难以充分利用这些分量[35]。最后,大多数模型仅在单个或少数DMA中进行测试,缺乏对不同需水量模式和场景的评估[3]、[26]、[36]。
为解决上述问题,本研究提出了一种需水量预测模型——LSTM_Mixer。其架构利用编码器-解码器框架将需水量数据分解为三个时间分量,即周分量、日分量和小时分量。LSTM_Mixer将序列分解作为训练过程的一部分进行学习,这区别于现有研究通常采用的在模型训练前进行数据预分解的方式。与我们的初步研究[37]相比,该方法代表了显著的改进,后者依赖于使用外部特征的"预测-修正"策略。Wang等人[37]的先前方法使用LSTM模型生成需水量的初始预测,然后根据从统计分析中得出的降雨和节假日修正系数对初始预测进行调整,从而得到最终预测值。相比之下,LSTM_Mixer整合了编码器-解码器框架以捕捉不同时间尺度的趋势特征。这将研究目标从单纯追求准确性转向增强模型的可解释性。为评估模型的预测性能,本研究将其应用于具有不同需水量模式的十个DMA。本研究的贡献可总结为:
1. 提出LSTM_Mixer模型,通过设计的编码器-解码器框架整合多尺度时间序列分解和预测。LSTM_Mixer将序列分解作为训练过程的一部分进行学习,这区别于现有研究通常采用的在模型训练前进行数据预分解的方式。
2. 增强了深度学习模型在需水量预测中的全局可解释性。LSTM_Mixer为整个推理过程提供了内在且透明的全局视角。根据每个时间尺度(周、日、小时)的预测结果,可以明确理解对最终预测做出贡献的不同模式。
3. 通过在十个DMA和三种预测场景(1步、24步、168步)中进行实施验证了所提出的框架,并与包括NHITs、TSMixer和NLinear在内的六种最先进的模型进行了比较。LSTM_Mixer表现出出色的性能,证明了其鲁棒性和准确性。
**章节摘要**
**方法论**
所提出的框架包含四个步骤:步骤1:数据预处理;步骤2:模型建立;步骤3:对比模型和性能指标;以及步骤4:模型应用。图1展示了完整的研究流程图。
步骤1:对数据集进行预处理以消除异常数据。首先,采用K近邻(KNN)算法对数据集中的缺失值进行插补。随后,使用四分位距(IQR)方法识别和修正……
**数据描述**
本研究的数据来源于2024年第3届WDSA-CCWI联合会议举办的需水量预测挑战赛(BWDF)[28],包含2021年1月1日至2023年3月5日10个DMA的小时级用水记录。数据集分为训练集和测试集:2021年1月1日至2022年8月19日的记录作为训练集,2022年8月20日至2023年3月5日的数据组成测试集。图5(a)–(j)展示了平均每日……
**结果与讨论**
本节从四个关键方面对模型进行了全面评估。第4.1节评估了所提模型与其他模型的预测性能对比。4.2节评估输入数据长度对模型预测性能的影响。4.3节评估十个具有复杂需求模式的DMA中模型的性能,通过在不同DMA和三种预测场景下测试模型性能以及其对输入数据的敏感性来评估模型的鲁棒性。最后……
**结论**
本研究提出了一种基于LSTM的多尺度时间序列分解需水量预测模型,命名为LSTM_Mixer。该模型通过编码器-解码器框架将需水量数据分解为周、日和小时分量,然后在各分量尺度上进行预测。为验证模型性能,研究从预测性能、稳定性和可解释性三个方面进行了系统全面的评估。
**CRediT作者贡献声明**
Benwei Hou:写作–审阅与编辑,形式分析,数据整理。Dingtong Wang:写作–原稿撰写,软件,方法学,数据整理。Yanning Li:调查研究。Rui Jia:项目管理。Shan Wu:监督,调查研究。
**利益冲突声明**
作者声明不存在已知的可能影响本文所述工作的竞争性经济利益或个人关系。
**致谢**
本研究由中国国家自然科学基金(NSFC)资助,批准号:52478486。
Benwei Hou|Dingtong Wang|Yanning Li|Rui Jia|Shan Wu
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号