水用量数据预测模型建立和用户分类.

《水用量数据预测模型建立和用户分类》

名称：水用量数据预测模型建立和用户分类

简述：（1）基于居民用户历史水用量数据，解决以下问题：分析出居民用户的水用量的规律；对用户进行分类；找出其中不合理用水的居民用户；可根据规律预测用户未来一段时间的用水量。（2）基于大用户历史用水量数据，解决以下问题：分析出大用户的水用量规律；对用户进行分类；当规律不匹配时进行提醒；根据规律预测用户未来一段时间的用水量。

1、小用户数据

1.1 数据预处理

原始数据表中包含很多字段，需要删除无用字段。其次水表可能

出现故障，导致读数有问题，如水表读书为负值等一些问题。

（1）去除重复记录，将CST_ID、CAI_ID、CXD_NEW_READING、CXD_USAGE和CXD_DATE相同的记录进行去重操作。

（2）将CXD_USAGE小于0的记录赋值为0；

（3）时间转换，数据库中数据毫秒格式存储，为了方便对日期进行

操作，故需要将时间转换为yyyy/MM/dd的格式，其转换过程如下所示：

（4）校验CXD_USAGE值是否正确，这里通过KETTLE将当天CXD_NEW_READING与前一天CXD_NEW_READING进行求差，然后将差值与CXD_USAGE对比，如果他们差值较大，说明CXD_NEW_READING读书有误或CXD_USAGE有误，则需要进行校验操作，其过程如下图所示：

转换结果如下图所示：

（5）对（4）所得结果进行去除无效值操作，将前一天后一天读数差值与CXD_USAGE比较，若差值大于10则删除该记录；若当天读数比前一天读书小，则说明读数有问题删除该记录；

（6）求每个用户的用水量之和、平均值和标准差。

（7）求每个用户周一到周七用水量的平均值，如下图所示：

结果如下图所示：

（8）合并记录，将总和、均值、方差和每周的的平均用水量合并到一个表中，通过简单的SQL语句便可以完成，

UPDATE USER_VAL A, USER_WEEK B

-> SET A.AVG_SUN=B.AVG_WEEK

-> WHERE A.CST_ID=B.CST_ID AND B.WEEK=7;

结果如下图所示：

1.2 聚类分析

K-means：k-means 算法接受参数k ；然后将事先输入的n个数据对象划分为k个聚类以便使得所获得的聚类满足：同一聚类中的对象相似度较高；而不同聚类中的对象相似度较小。聚类相似度是利用各聚类中对象的均值所获得一个“中心对象”（引力中心）来进行计算的。

K-means算法是最为经典的基于划分的聚类方法，是十大经典数据挖掘算法之一。K-means算法的基本思想是：以空间中k个点为中心进行聚类，对最靠近他们的对象归类。通过迭代的方法，逐次更新各聚类中心的值，直至得到最好的聚类结果。

假设要把样本集分为c个类别，算法描述如下：

（1）适当选择c个类的初始中心；

（2）在第k次迭代中，对任意一个样本，求其到c个中心的距离，将该样本归到距离最短的中心所在的类；

（3）利用均值等方法更新该类的中心值；

（4）对于所有的c个聚类中心，如果利用（2）（3）的迭代法更新后，值保持不变，则迭代结束，否则继续迭代。

该算法的最大优势在于简洁和快速，综上所述，K-means可以对用户的用数量进行聚集。

（1）通过Weka打开数据，通过下图可以看出大部分用户的用水频率是相差不大的，少数用户用水频率较高，达到99.98%，少数用户用水频率较低，个别用户基本不用水。

（2）在Cluster选项卡里选择SimpleKmeans，设置参数numClusters 为4，并且忽略到其它属性，点击“S tart”，得到如下结果。从图中可以看出Cluster3中的用户用水频率较高，说明其用水是比较规律的，

Cluster1用水频率较低，说明是基本不用的，Cluster0是一段时间用，一段时间不用的，Cluster2是偶尔用一下的。

（3）用户聚类分组结果如下图所示：

1.3 用户用水规律分析

数据库中有很多CXD_USAGE为0的用户，和每天用水量较大的用户，由于是分析用户整体的用水规律，所以这里只对正常用户的用水情况进行分析。时间是对用户用水规律分析的重要因素，所以这里以周、年对用户进行分析。

（1）对原数据进行清洗，取出不符合规律的数据。然后求出每个用户，每周一到周七的平均用数量，过程如下：

数据如下图所示：

（2）使用K-Means算法进行聚类分析，设置K=7，结果如图所示，从图中可以看出，Cluster3每周用水量较大，Cluster4每周用水量偏小。

（4）随机抽取30个用户对其每周用水量的均值进行分析，从图中可以看出，用户周六、周日用水量相对偏大，周五用水量相对偏低。

1.3 用水预测

（1）用户每天用水预测

通过上面聚类分析，发现Cluster3中用户用水是比较规律的，所以选取Cluster3中数据集作为测试样本。操作如下：

a.读取数据

b.转换为时间序列

er1、user2、user3时间序列图像分别如下图所示：

d.从上面分析，整个曲线处于大致不变的水平，且随机变动在整个时间序列范围内也可以认为是大致不变的，所以该序列可以大致被描述为一个相加模型，因此我们可以使用简单指数平滑法进行预测。我们采用R中的HoltWinters()函数，为了能够使用HoltWinters中的指数平滑，我们需要进行参数设置：beta=FALSE和gamma=FALSE,预测结果如下图：

e. 以上三张图可以看出User1、User2、User3的alpha参数的估计值约分别为0.1370064、

0.06724179、0.05665951，User2、User3非常接近0，说明该序列比较平稳。

f.画出预测值和实际值，效果如下图所示：