發(fā)布時間：2020-12-05 07:55

　　城市用水是我們生活重要組成部分,城市供水管網日益擴大,漏損越來越難以檢測,準確預測城市用水量可以對智慧水務漏損等異常預警提供支持,可視化可以突出更有用的信息,具有極大的現實意義與經濟利益�，F有用水量預測方法大多忽視了用水量數據自身特征,而且一般不能模擬較為復雜的數學運算。而智慧水務預警系統(tǒng)大多是對數據進行簡單收集與展示,設定固定閾值預警。本文主要是基于水量點預測及區(qū)間預測進行預警,結合數據可視化輔助分析人員快速定位異常點。本文首先根據水務分析人員分析異常的流程,對可視化預警系統(tǒng)進行了總體設計,然后對實時數據的獲取及保存提出了可行且實用的方法,并對原始數據進行了異常數據清洗及歸一化等預處理操作。其次,在預處理的基礎上,提出了基于形態(tài)特征的分段聚合近似表示方法（Shape-based Piecewise Aggregate Approximation,SPAA）,對高維用水量曲線進行降維,同時滿足了精細化運營和計算運行效率的要求;接著提出了自適應聚類數的基于序列形態(tài)相似性的k-shape聚類算法,解決了傳統(tǒng)基于歐氏距離的聚類算法無法包含曲線形狀特征的問題,并且采用了一種基于質心的聚類中心計... 

【文章來源】：華中科技大學湖北省 211工程院校 985工程院校 教育部直屬院校

【文章頁數】：82 頁

【學位級別】：碩士

【部分圖文】：

數據接收示意圖

= (， 為用水量序列中的某一時刻初始數， 為該序列中最大數， 為最小數， 為該時刻在該序列中的歸一化后計算出的值。由于輸入序列進化處理，輸出的數據并不是最終的結果，所以對模型的輸出的序列應該進化處理，反歸一化公式如下所示： = ( ) + (， 是輸出序列某一時刻值，需要進行反歸一化； 和 分別是原始中的最大值和最小值， 是反歸一化還原后的該時刻的真實用水量。為了更直觀看到數據預處理的效果，使用部分流量曲線實例進行預處理， 2-5 展示了經過處理前后的曲線對比。清除了流量特別異常的曲線，經過充，明顯的 0 值和負值不存在了，使得數據分布更加均勻，減少了噪聲的干了數據的有效性。

= ( ) + ， 是輸出序列某一時刻值，需要進行反歸一化； 和 分別是原始中的最大值和最小值， 是反歸一化還原后的該時刻的真實用水量。為了更直觀看到數據預處理的效果，使用部分流量曲線實例進行預處理， 2-5 展示了經過處理前后的曲線對比。清除了流量特別異常的曲線，經過充，明顯的 0 值和負值不存在了，使得數據分布更加均勻，減少了噪聲的干了數據的有效性。圖 2-4 城市短時用水量原始曲線（部分）


本文編號：2899149