随着我国城镇化进程的加速,城市规模迅速扩张,推进智慧城市的建设势在必行。作为智慧城市重要的基础设施,智慧水务是智慧城市建设中不可或缺的组成部分,而城市供水量预测是智慧水务进行规划和供水管网系统优化调度的基础,其预测精度不仅决定了规划设计的合理性和科学性,而且直接影响供水管网系统运行的经济性、可靠性和供水质量。因此,针对城市供水量预测问题进行建模、提高模型的预测精度具有极其重要的理论意义和实际应用价值。短期的日供水量和时供水量预测为城市供水管网系统的优化调度提供数据支撑,指导泵站的优化调度工作,建立合理的配水管理,确保供水区域的用户有充足的供水和足够的水压,降低产水能耗,节省能源。国内外学者们做了大量卓有成效的理论研究工作,但应用于工程实际的模型与方法甚少。因此,本文以智慧城市株洲市自来水厂的日供水量和时供水量为研究对象,在预测模型的构建和实际工程应用方面进行了较为深入的研究,主要研究工作如下:（1）针对城市日供水量时间序列存在随机扰动和确定性成分,并具有混沌特性,鉴于连续深度信念神经网络（CDBNN）的强非线性学习能力,提出了一种基于混沌理论和CDBNN的日供水量预测模型。研究了日供水量时间序列的混沌特性,对其进行相空间重构。采用连续受限Boltzmann机（CRBMs）构建CDBN模型,用于提取原始日供水量数据的潜在特征,使用NN模型进行特征回归,构建了CDBNN模型。最后应用株洲市两个自来水厂的历史日供水量数据进行建模和预测,与支持向量回归（SVR）、广义回归神经网络（GRNN）和前馈神经网络（FFNN）对比,本文所提出的日供水量预测模型提高了预测精度。（2）基于局部建模的思想,提出了一种双尺度深度信念网络（DSDBN）的日供水量预测模型。通过集成经验模态分解技术（EEMD）将原始日供水量时间序列分解为若干固有模式函数IMFs和一个残差分量,采用广义傅立叶变换分析各分量的频率特性,重建了随机项和确定性项,构建了双DBN模型分别对两个特征项进行预测,两个预测结果叠加后得到原始日供水量数据的预测值。使用株洲市A自来水厂的历史日供水量时间序列进行了建模和验证,与自回归整合移动平均模型（ARIMA）、FFNN、SVR和单一的DBN模型相比,DSDBN模型提高了预测的针对性,具有优秀的预测性能。（3）针对时供水量时间序列存在线性和非线性特征,提出了一种基于线性—非线性的预测框架。ARIMA模型具有良好的线性学习能力,CDBNN模型具有优秀的非线性拟合能力,构建了基于ARIMA和CDBNN的混合预测模型。利用EEMD技术将原始的时供水量时间序列进行分解,IMF₁代表原始序列中的随机成分,采用CDBNN模型预测,其他IMFs和残差组合后代表原始序列中的线性特征,采用ARIMA模型预测,两个预测结果叠加后得到原始时供水量的预测结果。通过采用株洲市B自来水厂的时供水量数据进行实验,与EEMD-BPNN、EEMD-SVR模型相比,本文所提出的时供水量预测模型提高了预测精度。（4）针对经典DBN或CDBNN模型采用BP算法调整参数,导致模型收敛速度慢、容易陷入局部最优等问题,模型的预测精度往往不够理想,本文引入回声状态网络（ESN）,构建了CDBESN模型。模型采用CDBN作为特征提取算法,ESN作为回归算法。通过株洲市C自来水厂的历史时供水量数据对模型的预测能力进行了检验,与ESN、CDBNN和SVR模型相比,CDBESN模型在时供水量预测方面表现优秀。（5）设计了一款基于深度学习算法的城市供水量预测云平台的原型系统。根据城市供水量预测的用户需求分析,结合供水量大数据,引入了云计算技术,规划了城市供水量预测云平台的系统结构,描述了系统的工作流程,阐述了Hadoop平台上基于Matlab的CDBNN预测算法的实现方案。以日供水量预测为例,介绍了原型系统在株洲市D自来水厂的实际应用情况。