来源：期刊VIP网 时间：
作者：李轩;吴永强;王佳伟;杨伟超;张天洋;
单位：河北建筑工程学院市政与环境工程系;河北省水质工程与水资源综合利用重点实验室;
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~2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。
关键词：SARIMA模型;;支持向量机;;长短时记忆神经网络;;SVM-SARIMA-LSTM模型;;STL分解程序;;气象因素;;用水量预测
基金资助：河北省教育厅青年拔尖人才项目(BJK202305)
