城市用水是我们生活重要组成部分,城市供水管网日益扩大,漏损越来越难以检测,准确预测城市用水量可以对智慧水务漏损等异常预警提供支持,可视化可以突出更有用的信息,具有极大的现实意义与经济利益。现有用水量预测方法大多忽视了用水量数据自身特征,而且一般不能模拟较为复杂的数学运算。而智慧水务预警系统大多是对数据进行简单收集与展示,设定固定阈值预警。本文主要是基于水量点预测及区间预测进行预警,结合数据可视化辅助分析人员快速定位异常点。本文首先根据水务分析人员分析异常的流程,对可视化预警系统进行了总体设计,然后对实时数据的获取及保存提出了可行且实用的方法,并对原始数据进行了异常数据清洗及归一化等预处理操作。其次,在预处理的基础上,提出了基于形态特征的分段聚合近似表示方法(Shape-based Piecewise Aggregate Approximation,SPAA),对高维用水量曲线进行降维,同时满足了精细化运营和计算运行效率的要求;接着提出了自适应聚类数的基于序列形态相似性的k-shape聚类算法,解决了传统基于欧氏距离的聚类算法无法包含曲线形状特征的问题,并且采用了一种基于质心的聚类中心计算方式,提取了每类簇用水量曲线形态,更适用于曲线聚类问题。然后,在聚类基础上,提出了基于拉普拉斯函数的稀疏连续深度置信网络(Laplace Continuous Deep Belief Network,LSC-DBN),用于对用水量进行点预测,该模型是对有高斯分布的连续受限玻尔兹曼机(Continuous Restricted Boltzmann Machine,CRBM)引入了稀疏正则项,解决了特征同质化现象,同时也适用于用水量数据这样的连续值输入。接着,提出了动态区间预测算法,解决了现有预警系统固定阈值无法有效预警的问题,并结合点预测和实际值提出了双重报警及预警机制。最后利用区间预测及点预测值进行数据可视化辅助异常检测,并对水务信息进行了合理实用的数据可视化。实验结果表明,本文所提的SPAA-k-shape算法可以有效降维,减少聚类计算时间,适用于水量曲线聚类问题;LSC-DBN模型可以对短时城市用水量准确预测,相比现有预测模型有很好的改善;同时,阈值区间预测准确,双重报警机制及数据可视化提升了水务分析人员的异常检测的效率,减少了漏报及误报。上线运行后,智慧水务系统取得了良好的效果,预测出了很多难以发现的漏损异常等问题,获得了一致好评。