买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉天津大学申请的专利基于多源数据融合和混合模型的供水管网需水量预测方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN120278331B 。

龙图腾网通过国家知识产权局官网在2025-12-09发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202510392708.4，技术领域涉及：G06Q10/04；该发明授权基于多源数据融合和混合模型的供水管网需水量预测方法是由彭森;吴珍良;吴卿;田一梅设计研发完成，并于2025-03-31向国家知识产权局提交的专利申请。

本基于多源数据融合和混合模型的供水管网需水量预测方法在说明书摘要公布了：本发明公开了一种基于多源数据融合和混合模型的供水管网需水量预测方法，该混合模型包括聚类、日类型分类和预测模型；主要包括：收集包括历史用水量数据、气象数据和节假日信息数据的多源数据后，对其中的历史用水量数据和气象数据进行预处理；使用聚类方法进行特征提取，并组成聚类结果向量；结合多源数据和聚类结果分别制作用于训练分类模型和预测模型的特征矩阵和输出标签，并使用XGBoost算法训练日类型分类和需水量预测模型；用训练好的日类型分类和需水量预测模模型对未来某日某时刻的需水量进行预测，最终得到待预测日对应时刻的需水量预测值。本发明能更好得发挥XGBoost模型的能力，具有良好的鲁棒性，对不同类型DMA都有较好的预测效果。

本发明授权基于多源数据融合和混合模型的供水管网需水量预测方法在权利要求书中公布了：1.一种基于多源数据融合和混合模型的供水管网需水量预测方法，其特征在于，混合模型为多个模型的组合，该混合模型包括聚类模型、日类型分类模型和预测模型；供水管网需水量预测方法包括以下步骤： 步骤1、对多源数据进行收集和预处理； 多源数据包括历史用水量数据、气象数据和节假日信息数据；其中，历史用水量数据的粒度为每小时一个数，时间跨度为1年以上；气象数据包括气温、降雨量、湿度和风速粒度为每小时一个数，时间跨度为1年以上；节假日信息包括工作日、周末、法定节假日及夏令时信息，粒度为每天一个数，时间跨度为一年以上； 对上述收集到的历史用水量数据和气象数据进行预处理，使用z‑score方法为异常值进行检测和过滤，采用K最近邻方法实现空缺值插补； 步骤2、基于每日历史用水量数据使用聚类模型进行日类型聚类； 使用聚类方法对预处理后的历史用水量数据进行特征提取，将历史用水量数据以日为单位切分为若干日用水量样本，采用k‑means算法对日用水量样本进行聚类，得到每日历史用水量数据的聚类结果，从而组成聚类结果向量； 步骤3、制作用于训练分类模型的特征矩阵，并训练日类型分类模型； 根据节假日信息和预处理后的历史用水量数据和气象数据制作成用于训练分类模型的特征矩阵，记为特征矩阵，标签为聚类结果向量；将特征矩阵输入XGBoost算法进行训练，形成日类型分类模型；将待预测日对应的特征矩阵的特征信息输入所述的日类型分类模型，所述日类型分类模型的输出是待预测日的日类型分类结果； 所述XGBoost算法通过其中的加法模型将多个弱学习器结合起来，在训练形成所述日类型分类模型过程中，所述的弱学习器为决策树； 所述特征矩阵及输出标签的结构表示如下： ； ； 其中： ； ； ； ；其中， 为季节因素向量，将日所属的夏令时和冬令时分别以0和1分别表示；为月份因素向量，月份进行序列编码，并将日所属月份的编码结果作为特征的值；为日期因素向量，对日期进行序列编码，并将日对应的编码作为特征的值气象因素包含四个维度的向量，分别为降雨量、气温、湿度、风速，以每日气象因素的平均值作为特征的值；为节假日因素向量，根据当地的日历信息将工作日和休息日分别以0和1进行编码，以编码结果作为特征的值，其中法定节假日和周末皆被认定为休息日； 滞后日用水量信息包括滞后日的平均用水量和用水量的标准差；其中，滞后日用水量是指相对于当前日而言一定天数前的用水量，如滞后第1日用水量即是相对于当前日而言1天前的用水量；分别包括滞后第1日到滞后第n日的每小时用水量平均值特征向量；分别包括滞后第1日到滞后第n日的每小时用水量标准差特征向量； 为滞后第k日的每小时用水量平均值特征向量；为滞后第k日的每小时用水量标准差特征向量；为滞后第k日第i时的用水量； 采用Z‑score标准化方法对特征矩阵的各维度特征进行标准化，其计算公式如下： ； 其中，是特征值，是特征向量均值，是特征向量标准差； 步骤4、制作用于训练预测模型的多源数据融合特征矩阵，并训练需水量预测模型将聚类模型得到的每日历史用水量数据聚类结果向量与多源数据相结合，制作成用于训练预测模型的多源数据融合特征矩阵，记为特征矩阵；将该特征矩阵输入XGBoost算法进行训练，形成需水量预测模型； 所述XGBoost算法通过其中的加法模型将多个弱学习器结合起来，在训练形成所述需水量预测模型过程中，所述的弱学习器为回归树； 所述特征矩阵及输出标签的结构表示如下： ； 其中，所述同类型日长期滞后用水量的获得步骤包括：首先，根据聚类模型得到每日历史用水量数据的聚类结果，将每日历史用水量分组并依照时间顺序重新排列，得到各类型日的历史用水量序列；然后，根据当前时刻用水量所属的同类型日的历史用水量序列，对当前时刻用水量做滞后处理后即得到所述同类型日长期滞后用水量； 在得到日类型分类模型和需水量预测模型后即可对未来某日某时刻的需水量进行预测，具体包括以下步骤： 4‑1依据特征矩阵结构，将待预测日的特征制作成待预测日的特征样本输入日类型分类模型中，得到待预测日的日类型分类结果； 4‑2依据特征矩阵结构，结合该待预测日的日类型分类结果制作成待预测日待预测时刻的特征样本输入所述的需水量预测模型中，该需水量预测模型的输出是该日该时刻的需水量预测值。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人天津大学，其通讯地址为：300072 天津市南开区卫津路92号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。

以上内容由龙图腾AI智能生成。