基于城市机动性实时模拟城市尺度用水需求的框架

《Energy Reports》：A framework for real-time water demand modelling at city scale based on urban mobility

　　

对城市需水动态规律的清晰认知是实现可持续与节能型城市水务管理的关键。本研究提出一种城市尺度、近实时的需水建模框架，显式刻画动态占用率（dynamic occupancy）在塑造居民与非居民用水行为中的作用。该框架将Google Popular Times（GPT）数据与人类机动性模型耦合，以估算全市随时间变化的占用分布；此类占用估计随后被嵌入改进的随机末端用水（stochastic end-use）需水模型中。在每个时间步，依据末端用水参数、占用率及昼夜时序剖面，以概率方式模拟用水事件。研究人员以爱尔兰斯莱戈镇（Sligo town）2024年9月为期一个月的时段为案例，对居民区及办公、零售、餐饮、咖啡馆、酒吧与夜间场所、学校、大学等多类非居民建筑进行需水模拟。结果复现了真实的日需水剖面，并揭示不同建筑类型在需水形态、峰值时刻与工作日—周末行为上的显著差异；与已发表基准比对显示模拟用水量处于合理区间。该框架能够表征城市需水的时空变异，在缺乏精细计量数据时可为城市尺度需水规划与分析提供支持。

研究背景方面，城市水系统因取水、处理、泵送分配、建筑热水使用及污水收集处理等环节耗能显著，全周期温室气体（GHG）排放可达全球总量的10%，使得需水预测直接决定泵送调度与水电协同优化。然而在城市尺度获取高时空分辨率需水数据受限于智能水表部署成本，既有聚合模型难以捕捉区内差异，自底向上的随机末端用水模型（如SIMDEUM）又多以静态或平均占用率为输入，忽略日间、周内、季节与建筑功能导致的占用波动。已有研究证实占用率与峰值及平均需水强相关（Spearman系数0.99–0.995），且COVID-19期间通勤与居家行为变化进一步凸显动态占用的必要性。Google Popular Times（GPT）作为基于匿名手机定位的相对繁忙度指标，为近实时占用代理提供可能，但此前未接入末端用水模型，亦无框架将非居民占用变化反向推演至居民占用。该研究发表于《Energy Reports》，旨在填补上述缺口，构建不依赖密集计量的城市尺度动态需水模拟框架。

关键技术方法上，研究人员以爱尔兰斯莱戈镇为案例，取2024年9月共一个月为模拟期，建筑清单含居民区与办公、零售、餐饮、咖啡馆、酒吧夜生活、学校、大学等非居民类型。方法分两层：人类机动性模型以5分钟步长运行，非居民占用优先采用实时GPT，缺失时按历史GPT均值、同类型K-means聚类典型剖面、美国能源部（DOE）文献剖面依次兜底，相对值乘建筑容量（面积除以占用荷载系数）得绝对人数；居民占用借重力模型与介入机会模型构造出行概率矩阵，由非居民占用增减反推居住区出入平衡。改进的随机末端用水模型在每个时间步按占用率、使用频率与昼夜因子算各末端（马桶、淋浴、龙头、洗衣机、洗碗机）触发概率，随机数低于阈值则发流，流量乘时长得水量。

研究结果部分，引言指出既有需水模型分为聚合与分散两类，末端用水模型能揭示器具对峰值贡献，但静态占用是城市应用主要误差源，GPT等众包定位数据使动态占用可行。方法章分述人类机动性模型与改进末端用水模型：2.1节人类机动性模型中，2.1.1非居民占用给出分层估算流程，实时GPT经离群剔除（相对变化超20%视为异常）与线性插补，无实时数据用同类型聚类典型剖面，再低层用DOE文献剖面并乘学期/入住率修正系数；相对GPT值（0–100）乘容量得绝对占用。2.1.2居民占用基于全市人口守恒，用公式P_t=[p_ij,t]与p_ij,t= (R_i,t/IO_ij) / Σ_k=1^m(R_k,t/IO_kj) 融合重力与介入机会理论，R_i,t为居住区i在t步人数，IO_ij为i到非居民j间同类型更近机会数，由此分配非居民占用变化回居民区。2节末端用水模型按各末端概率分布抽取事件。案例结果表明框架复现各类建筑日剖面，办公与学校呈工作日双峰、餐饮酒吧夜间峰值、居民早晚双峰且周末平移，模拟总量落入文献基准区间。

讨论与结论部分，研究人员指出该框架两大贡献：其一为人类机动性层用GPT与出行理论一致刻画居民—非居民占用再分布；其二为将动态占用接入随机末端用水模型，在缺计量条件下输出末端级高分辨需水。相比静态占用或聚合历史消费，该框架更能反映人口流动导致的时空变异，可支撑场景测试与需水响应泵送等能源感知规划。结论强调动态占用是城市需水误差主导项，GPT耦合机动性模型为近实时替代计量提供路径，框架在斯莱戈镇验证合理，后续可拓展至其他城镇与更长时段，服务城市水—能协同管理。