作为城市供水系统调度过程中的重要环节,可靠的城市用水量预测在保证城市供水系统的稳健运行中具有至关重要的地位。从城市供水系统调度管理的研究进展来看,大量方法都是在建立整个城市的用水量预测模型,很少有学者探究局部小范围的用水特性并对局部区域用水进行预测。然而,将供水管网调度管理工作区块化和细分化,分析小范围用水区域的特性,进而实现区域用水调度和监测,能为整个城市管网的可靠性管理提供思路,同时也为局域管网节点的设备漏损监测提供依据。本文将城市供水管网中不同的用水大户作为研究对象。首先,提出了实时接收和保存用水数据的方法,并选用一套数据管理方案对数据进行预处理。其次,以人工神经网络为理论基础,选用在预测研究领域中广泛使用的三种方法,即小波神经网络的时间序列预测方法、Elman神经网络预测方法及基于遗传算法优化的BP神经网络预测方法,建立了时间序列预测模型,将模型应用于实例中各用水大户,对结果进行分析并探讨改进的方案。然后,提出了改进的模糊C均值聚类数自适应算法,并以某一用水客户为例,使用该方法对时用水模式曲线进行聚类分析,并根据不同模式曲线的聚类结果,对影响该客户用水的因素(天气、温度、降雨、星期量等)进行属性约简计算,提取影响时用水量变化的主因素。最后,结合主影响因素和历史用水数据观测值,重新建立预测模型。实验表明,模型的改进效果比较理想。论文中以时间序列预测法建立的模型在部分用水区域的预测应用中收效较好,已经达到可靠性预测要求。通过对时用水模式曲线进行聚类分析和属性约简,提取了时用水量的主影响因素,并将这些因素加入预测模型,进一步提高了时用水量预测的精度。本文提出的预测方案能有效地解决城市用水大客户的时用水量预测问题,并给管网设备漏损的自动监控问题带来了新方法。不足的是,对日、月用水量预测模型的改进仍有待研究。此外,部分样本集中存在的异常数据会对模型的预测效果造成干扰,需要使用更加完善的数据预处理方法。