在全球水资源匮乏与我国城市供水管网漏损率居高不下的背景下,如何利用城市供水管网的实测数据对漏失事件进行快速准确识别,已经成为我国供水行业重点关注的问题。本文针对现有漏失识别方法中数据时空规律特征分析不足、单时间步长的预测模型效率低下、漏失事件判断依据单一等问题,在我国分区计量管理的基本策略下开展了数据驱动的漏失识别方法研究,使用Informer深度学习模型进行长时间序列压力数据的预测,并通过多维变分阈值的Z标准分数（zscore）方法来实现漏失事故的快速识别,构建了一种基于长时间序列的预测-分类-校正三阶段漏失识别方法。本文的主要研究内容和创新点如下:（1）管网数据特征分析与预处理。为了解决以往研究方法中数据时空规律特征分析不足的问题,从管网水流运动基本方程、管网分区供水方式、用户用水特性三方面进行分析,揭示了用水压力数据在时间维度的周期性、趋势性、随机性以及空间维度上的一致性。同时基于特征分析的结果对压力数据进行预处理,即对压力数据中时空规律异常的压力值进行替换、使用小波去噪方法进行数据去噪、按照时空规律对数据重组,为漏失识别方法的构建打好数据基础。（2）漏失识别方法的构建。提出了一种基于长时间序列的预测-分类-校正三阶段漏失识别方法,长时间序列预测的Informer深度学习模型对未来长时间的正常用水数据做出预测,有别与传统预测模型只预测下一时刻数据（单步长预测）,Informer模型实现了未来长时间序列压力数据预测（多步长预测）,在捕捉长时间序列数据间复杂相关性的同时,提高了数据处理效率;同时提出了一种漏失事件分类的多维度变分阈值Z标准分数方法,集合多种压力特征来强化正常用水数据与漏失事件数据的差异,提高了漏失检测速度,降低了误报率;为避免漏失数据和与实测数据有偏离的预测数据直接进入下阶段的预测中,采用实测数据实时的动态校正用于预测的数据,提高漏失识别的准确性。（3）漏失识别方法的评估。区别于以往单一漏失评估方式,同时使用管网模拟数据和管网实测数据两种评估方式对漏失识别方法进行评估检验。管网模拟数据代表管网理想运行状态下的用水情况,大量准确压力数据有利于Informer深度学习模型的调参训练,多次的模拟漏失事件克服了现实管网事故漏失数据不足等问题;两种评估方式互补,共同对漏失识别方法进行检验评估。检验结果表明本文所提出的方法提高了漏失识别的速度与准确性。