随着清洁能源政策的推广和天然气市场的不断发展,城市燃气的需求和消费大幅增长,燃气行业的基础建设也有较大提高,但目前燃气的供应能力和供需系统的调度水平却仍显不足。因此,为改善燃气企业的运行效率并促进有关部门的管控规划,针对燃气用量的精准预测便显得十分必要。在已有相关研究中,尚存在数据准确性不高、评价维度单一和方法普适性不强等问题,基于以上不足,本文借助物联网技术获取了丰富的城市居民日用燃气消费数据,并结合相关影响因素进行了燃气用量的预测分析和对比评估,以提高预测的精度并对比各方法的优劣。本文的主要研究内容如下。(1)整理了燃气预测领域的已有研究和相关方法,并基于数据特点选择合适的预测模型,同时采取大量的预处理措施增加了预测的可信度。一方面对燃气数据进行了清洗,另一方面借助网络爬虫和数据转换等方法构建了历史、环境、日期以及政策等影响特征,并对特征进行了处理和选择,使得整体的数据质量有较大改善。(2)使用了经典方法和主流机器学习方法进行燃气用量预测,并采取一定改进措施提高了预测的准确性。其中经典方法包含时间序列法和回归分析法,机器学习方法包括集成学习XGBoost模型、深度学习LSTM模型以及改进的XGBoost-LSTM组合预测法。在预测时针对不同模型进行了相应的处理,并结合网格搜索等方法选择了最优超参数,得到的预测结果较为理想,其中改进的组合方法预测准确度最高,通过自定义损失函数和加权组合等措施,其相对误差率为2.19%,优于各单一模型的预测结果。(3)从单一模型角度比较了两类方法的预测结果,明确了在不同特征和预测周期下燃气用量预测方法的选择标准。结果表明,若数据和特征量丰富有效,则主流机器学习方法的效果更好,其中LSTM模型的准确性相对较高,XGBoost模型的预测精度和模型性能也相当优异;而随着特征数量和预测周期的变化,经典方法有时也能取得很好的预测效果。本文通过分析不同方法在不同条件下的适用性和优劣性,为相关企业和研究人员提供了一定参考和借鉴。