提出了基于大数据驱动和并行决策树回归分析算法的调节阀阀后压力预测方 法。由于调节阀结构具有高度的非线性和耦合性，通过动力学建模十分困难，因此 研究人员通常使用回归分析的方法对调节阀进行建模。常用的神经网络、支持向量 机（SVM）等回归算法计算复杂度高，只适合处理小样本，难以挖掘大数据中蕴含 的更为深刻的规律。本文分别使用SparkMLlib中的并行线性回归、并行决策树回 归、并行随机森林回归和并行渐进梯度树回归算法，在千万量级的大数据上建立调 节阀回归模型。该模型可以根据调节阀的阀前压力、流量等输入参数来预测阀后压 力。通过实验分析了四种算法的各项性能，结果表明并行决策树回归在建模精度、 建模速度等性能指标上有明显优势。研究了数据量对回归算法性能的影响，结果表 明“大数据+并行算法”是调节阀压力预测的最优策略。 研制了调节阀管网智能运行服务系统，将前文所述的设备信息及数据分析结 果（故障诊断、压力预测等）进行集成化、综合化、可视化，并为管网的运行管理 提供决策规划。传统的监控系统一方面只能在电脑监控室等固定地点、固定设备上 进行；另一方面智能化程度较低，缺乏对数据的挖掘利用和整合分析。本文利用 SSH服务器、iOS、Web等技术，实现了对网页端、移动端、桌面端全面的支持， 可以随时随地对设备进行监控；提出了基于SparkMapReduce的并行蚁群算法，可 以对管网巡检最优路线进行高效规划。该系统旨在增强工程人员对管网的感知和 洞察能力，提升决策分析和应急指挥水平，为生产、生活的稳定进行提供了可靠的 保障。
