我國水資源目前面臨著總量匱乏和分布不均的問題，這些都給城市水務部門的工作帶來不小的挑戰。隨著人工智能技術的發展和計算機運算能力的增強，各個城市的水務部門紛紛展開智慧供水項目的研究，其中的核心內容就是對居民用水量的準確預測。
居民用水量預測以時間維度進行劃分，可以分為中長期預測和短期預測，其中短期預測主要是日用水量和時用水量的預測，預測結果可以輔助水務部門進行供水系統的規劃、管理和運營，助力城市的可持續發展。
對于居民用水量的預測方法有很多，目前大致可以分為三類：
第一類為時間序列預測法，僅依賴歷史數據進行建模預測，比如自回歸法等。
第二類為結構分析法，除利用歷史數據外，還需要考慮與用水量相關的其他因素，但該方法要求給出各種影響因素與用水量之間的顯示關系，然而這種關系并不容易得到。
第三類是系統方法，與結構分析法類似，使用多種用水量的影響因素及歷史數據，采用神經網絡等非線性模型來建立預測系統。
本篇文章以某城市的居民時用水量和日用水量預測為實例，采用系統方法對日用水量和時用水量進行預測。
針對居民用水量預測，一般采用絕對百分比誤差和平均絕對百分比誤差來評價預測模型的預測精度，以群體穩定性指標PSI值評價預測模型的穩定性。
針對時用水量而言，它的變化以日、周、年為周期會呈現出一定的周期性，受氣候因素以及社會人文因素的影響不大，所以決定只使用時用水量歷史數據作為輸入變量進行建模。
現有的歷史數據由于種種原因，存在缺失值、極端值、噪聲以及非平穩性等問題，所以先對數據進行了預處理，包括歸一化、數據平滑、拉格朗日插值法等等，使用預處理過的數據來進行建模。
在建模過程中，使用了支持向量機和BP神經網絡的方法分別建立預測模型，最后再將二者相結合進行組合模型的建立，具體是用SVM模型描述用水量關系的周期性和連續性，再用BP神經網絡捕捉SVM模型的非線性誤差，從而修正SVM模型的誤差，達到更好的預測效果，三個模型的預測效果及穩定性如下表所示：
在一般的智慧供水項目中，認為對于時用水量預測精度在95%以上是成功的。對于PSI值，認為當小于0.1時模型穩定性很好，處于0.1至0.25之間，模型穩定性可以接受，當大于0.25時模型的穩定性差，建議重新建模。
所以就上述的三種預測模型而言，都具有很大的應用價值，特別是組合模型，預測精度可以達到97.4%左右，
針對居民日用水量，依然使用SVM和BP神經網絡的方法進行建模，考慮到日用水量受氣候和人文因素影響較大，在建模過程中選取了幾個影響因素和歷史用水量數據共同作為輸入變量。
選取的主要影響因素包括最高氣溫、最低氣溫、陰晴狀況、日期量（星期幾），并對其中不同的狀況進行賦值。比如對日期量的賦值規則如下:
對于日用水量數據進行了相關性分析，結果表明距離預測日前第七日的歷史用水量數據與預測日的用水量相關性最大，所以將預測日前第七日的歷史數據也作為模型的輸入變量。
對于組合模型的建立，選擇將SVM模型和BP模型的預測結果加權求和，權重的大小作為超參數采用網格搜索的方式進行調參，最終三種模型的預測精度均達到項目要求，予以在實際供水調度種使用，其中組合模型的預測精度可以達到97.7%，超過項目要求的95%的準確率，模型的具體效果如下所示：
相關水務部門可以根據模型預測結果來進行水價調整、管網優化以及資源管理等等，大大促進智慧供水的新發展。
因為居民用水量數據屬于時間序列，除了上述的幾種建模預測方法，還可以通過使用可以處理時序信息的模型進行預測，比如長短期記憶網絡（LSTM）等等。