TY - Jour A2 - Özturan，Can Au - Preciado，Juan Carlos Au - Prieto，ÁlvaroE.Au - Benitez，Rafael Au - Rodríguez-echeverría，罗伯托阿·哥特·哥杰罗，JoséMaríaPY - 2019DI - 2019/06/03- 智能城市需求预测的高频数据驱动的机器学习方法SP - 8319549 VL - 2019年 - 沿着分配管道的不同类型的传感器在智能水网络中连续测量不同参数（天鹅）。产生的大量数据包含诸如流动或压力的测量。将合适的算法应用于这些数据，可以在收集数据时立即警告分发网络内泄漏的可能性。目前，处理此问题的算法是许多短期水需求预测（WDF）方法的结果。但是，一般而言，这些WDF方法有两个缺点。第一个是它们提供低频预测。也就是说，其中大多数只提供1小时时间步长的预测，并且只有少数提供15分钟时间步长的预测。第二个是，大多数人都需要估计年度季节性或者不仅考虑有关水需求的数据，而且考虑到其他因素，例如天气数据，使其使用更加复杂。为了克服这些弱点，这项工作提出了一种基于模式识别和模式相似性技术来预测水需求的方法。 The approach has a twofold contribution. Firstly, the predictions are provided with 1 min time steps within a time lead of 24 hours. Secondly, the laborious estimation of annual seasonality or the addition of other factors, such as weather data, is not needed. The paper also presents the promising results obtained after applying the approach for water demand forecasting to a real project for the detection and location of water leakages. SN - 1058-9244 UR - https://doi.org/10.1155/2019/8319549 DO - 10.1155/2019/8319549 JF - Scientific Programming PB - Hindawi KW - ER -