基于SVM-SARIMA-LSTM模型的城市用水量实时预测

李轩; 吴永强; 王佳伟; 杨伟超; 张天洋

doi:10.20040/j.cnki.1000-7709.2025.20241615

欢迎来到能源电力期刊网！

English Version 读者登录期刊登录

您当前的位置：

首页 >

文章列表页 >

基于SVM-SARIMA-LSTM模型的城市用水量实时预测

水文水资源与环境 | 更新时间：2026-02-25

- 基于SVM-SARIMA-LSTM模型的城市用水量实时预测
- 基于SVM-SARIMA-LSTM模型的城市用水量实时预测
- 水电能源科学 2025年43卷第3期页码：36-39+6
- 作者机构：
  
  1. 河北建筑工程学院市政与环境工程系
  2. 河北省水质工程与水资源综合利用重点实验室
- 作者简介：
- 基金信息：
  
  河北省教育厅青年拔尖人才项目(BJK202305)
- DOI：10.20040/j.cnki.1000-7709.2025.20241615
  中图分类号： TU991.31
- 纸质出版：2025
- 稿件说明：
移动端阅览
李轩, 吴永强, 王佳伟, 等. 基于SVM-SARIMA-LSTM模型的城市用水量实时预测[J]. 水电能源科学, 2025,43(3):36-39+6.

李轩, 吴永强, 王佳伟, et al. 基于SVM-SARIMA-LSTM模型的城市用水量实时预测[J]. 2025, 43(3): 36-39+6.
李轩, 吴永强, 王佳伟, 等. 基于SVM-SARIMA-LSTM模型的城市用水量实时预测[J]. 水电能源科学, 2025,43(3):36-39+6. DOI： 10.20040/j.cnki.1000-7709.2025.20241615.

李轩, 吴永强, 王佳伟, et al. 基于SVM-SARIMA-LSTM模型的城市用水量实时预测[J]. 2025, 43(3): 36-39+6. DOI： 10.20040/j.cnki.1000-7709.2025.20241615.

摘要

为提高气象波动下城市用水量预测精度，通过季节性分解的趋势—季节性—残差程序（STL）将城市时用水量分解为趋势分量、季节性分量和残差分量3部分，使用季节性自回归移动平均模型（SARIMA）对季节性部分进行捕捉，利用支持向量机（SVM）提取趋势部分与气温、降水、风速、气压和相对湿度5个气象因素之间的关系，利用长短时记忆网络（LSTM）对波动性明显的残差部分进行关系捕捉，构建了SVM-SARIMA-LSTM用水量实时预测模型，并利用衡水市3个月时用水量数据和气象数据训练SVM-SARIMA-LSTM模型，以随后1周的实测数据作为验证集对模型预测性能进行评估。结果表明，SVM-SARIMA-LSTM模型的平均绝对百分比误差(E

MAP

)比SARIMA模型低4.502%

均方根误差(E

RMSE

)降低了39.084%

确定系数R

提高了9.965%

最大绝对误差(E

maxA

)减小了55.946%

具有较好的应用价值。所建模型通过整合关键气象因素，准确地捕捉到城市用水量的季节性趋势及非季节性波动，展现了优良的泛化性。

Abstract

关键词

Keywords

references

李元梦,李登华,丁勇.基于FFT-STL的大坝监测数据时效分量提取与分析算法[J].水电能源科学,2024(07).

王晨,李又轩,吴其琦,邬蓉蓉.基于SVM-STL-LSTM的区域短期电力负荷预测研究[J].水电能源科学,2024(04).

王健,刘丽,查淳膺,陈国炜.基于多层长短期记忆神经网络的用水量预测[J].水电能源科学,2023(12).

曹敬椿,卢敏.基于混合策略改进SSA-SVM的工业用水量预测[J].水电能源科学,2023(09).

陆维佳,朱建文,叶圣炯,毛哲凯,信昆仑.基于多因素长短时神经网络的日用水量预测方法研究[J].给水排水,2020(01).

曹文静,孙傅,刘益宏,曾思育.极端高温事件对城市用水量和供水管网系统的影响[J].气候变化研究进展,2018(05).

高学平,陈玲玲,刘殷竹,孙博闻.基于PCA-RBF神经网络模型的城市用水量预测[J].水利水电技术,2017(07).

Kavya M,Mathew Aneesh,Shekar Padala Raja,P Sarwesh.Short term water demand forecast modelling using artificial intelligence for smart water management[J].Sustainable Cities and Society,2023.

浏览量

434

下载量

CSCD

文章被引用时，请邮件提醒。

提交

工具集

关联资源

基于VMD的供水管道漏损检测研究

基于Attention-LSTM施工期面板堆石坝坝体沉降预测模型研究

深度学习算法在山南市雅桑站流量模拟中的应用研究

基于机器学习的梅雨分型及其降水量预测研究

群智能算法在月径流预测支持向量机建模中的适应性研究