(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210862249.8 (22)申请日 2022.07.21 (71)申请人 合肥工业大 学 地址 230009 安徽省合肥市屯溪路193号 (72)发明人 路强　滕进风　余烨　薛峰　黄毅　 (74)专利代理 机构 上海汉之律师事务所 31378 专利代理师 冯华 (51)Int.Cl. G06Q 10/04(2012.01) G06Q 50/06(2012.01) G06K 9/62(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 压力预测模型的训练和预测方法、 系统、 设 备及存储介质 (57)摘要 本发明提供压力预测模型的训练和预测方 法、 系统、 设备及存储介质， 属于城市智能供水管 网技术领域。 多监测点管网压力预测模型的训练 方法包括： 获取所监测城市供水管网的历史压力 数据； 构建压力预测模型， 压力预测模型包括时 间卷积网络模 型和长短期记忆网络模 型； 基于历 史压力数据对卷积网络模型和长短期记忆网络 模型进行联合训练， 获得训练好的压力预测模 型， 压力训练模 型基于历史压力数据对 所监测城 市供水管网上各个监测点的压力数据进行预测。 本发明提供一种压力预测模型的训练方法， 该压 力预测模型基于城市供水管网上多监测点的关 联性和周期性， 高效精准的对管网上各个监测点 的压力数据进行 预测。 权利要求书2页 说明书11页 附图6页 CN 115204502 A 2022.10.18 CN 115204502 A 1.一种多监测点管网压力预测模型的训练方法， 其特 征在于， 包括： 获取所监测城市供 水管网的历史压力数据； 构建压力预测模型， 所述压力预测模型包括时间卷积网络模型和长短期记忆网络模 型； 基于所述历史压力数据对所述卷积网络模型和长短期记忆网络模型进行联合训练， 获 得训练好的所述压力预测模型， 所述压力训练模型基于所述历史压力数据对所监测城市供 水管网上各个监测点的压力数据进行 预测。 2.根据权利要求1所述多监测点管网压力预测模型的训练方法， 其特征在于， 所述获取 所监测城市供 水管网的历史压力数据， 包括： 获得所监测城市供水管网的历史压力数据， 按时间先后将所述历史压力数据分为训练 集和测试集； 其中， 所述历史压力数据包括城市供 水管网上多个监测点的历史压力数据； 将所述训练集中各个监测点的所述历史压力数据按时间顺序分为多个时序分量， 对应 不同监测点汇总所述多个时序分量获得压力时序数据， 并对所述压力时序数据进行预处 理。 3.根据权利要求2所述多监测点管网压力预测模型的训练方法， 其特征在于， 所述 时间 卷积网络模型中设置有至少两个残差模块， 所述时间卷积网络模型基于自注意力机制在所 述残差模块的输出端设置有自注意力模块； 其中， 所述残差模块用于从所述压力时序数据 中提取时序特征向量， 所述自注意力模块用于捕获所述时序特征向量自身的周期性特征， 并基于所述周期性特征加权处理所述时序特征向量， 获得具有周期性特征的时序特征向 量。 4.根据权利要求2所述多监测点管网压力预测模型的训练方法， 其特征在于， 所述基于 所述历史压力数据对所述卷积网络模型和长短期记忆网络模型进 行联合训练， 获得训练好 的所述压力预测模型， 包括： 将所述训练集输入所述时间卷积网络模型； 通过所述时间卷积网络模型获取 所述压力时序数据的时序特 征向量； 通过长短期记 忆网络模型将所述时序特 征向量梳理为预测特 征向量； 通过全连接层整合预测特征向量， 获得所监测城市供水管网上多监测点的压力预测结 果； 比对所述压力预测结果和测试集， 获得所述压力预测模型的损 失函数， 通过迭代训练 使所述损失函数最小化， 获得训练好的所述压力预测模型。 5.根据权利要求4所述多监测点管网压力预测模型的训练方法， 其特征在于， 所述损失 函数包括平均绝对误差MAE、 均方根误差RMS E和平均绝对 百分比误差MAPE中的至少一个； 所 述平均绝对误差为， 所述均方根 误差为， 所述平均绝对百分比误差为， 其中， 表示压力数据的真实值， 表示第i个监测点压力权　利　要　求　书 1/2 页 2 CN 115204502 A 2数据的第j个时间点的预测值， m和n分别表示 监测点压力数量和样本数量。 6.根据权利要求4所述多监测点管网压力预测模型的训练方法， 其特征在于， 所述全连 接层基于所述损失函数通过反向传播的监督学习来所述训练时间卷积网络模型和长短期 记忆网络模型。 7.一种多监测点管网压力预测方法， 其特征在于， 采用权利要求1至6任意一项所述多 监测点管网压力预测模型的训练方法训练得到的多监测点管网压力预测模 型， 所述多监测 点管网压力预测方法包括： 获取所监测城市供 水管网的历史压力数据； 将所述历史压力数据输入所述多监测点管网压力预测模型， 获取所监测城市供水管网 上各个监测点的压力预测结果。 8.一种多监测点管网压力预测模型的训练系统， 其特 征在于， 包括： 数据获取 单元， 用于获取 所监测城市供 水管网的历史压力数据； 模型构建单元， 用于构建压力预测模型， 所述压力预测模型包括时间卷积网络模型和 长短期记 忆网络模型； 联合训练单元， 基于所述历史压力数据对所述卷积网络模型和长短期记忆网络模型进 行联合训练， 获得训练好的所述压力预测模型， 所述压力训练模型基于所述历史压力数据 对所监测城市供 水管网上各个监测点的压力数据进行 预测。 9.一种计算机设备， 包括存储器、 处理器及存储在存储器上并可在处理器上运行的计 算机程序， 其特征在于， 所述处理器执行所述计算机程序时实现权利要求1至7中任一项所 述方法的步骤。 10.一种计算机可读存储介质， 其上存储有计算机程序， 其特征在于， 所述计算机程序 被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。权　利　要　求　书 2/2 页 3 CN 115204502 A 3