1.一种基于贝叶斯准则的BP（Back Propagation，反向传播）神经网络区间需水预测方法，其特征在于该方法包括如下步骤：首先通过聚类算法对历史用水量样本数据进行合理化分类，得到用水样本数据多个不同的相似状态，然后通过基于贝叶斯准则的BP神经网络区间预测模型进行预测，输出多个预测值，再结合历史预测误差概率分布，得到需水量概率性区间预测结果。

2.根据权利要求1所述的方法，所述基于贝叶斯准则的BP神经网络区间预测模型的工作步骤包括：（1）将筛选后的若干个用水样本数据的相似状态进行归一化处理，初始化BP神经网络的结构和参数；

（2）BP神经网络初始化权值和阈值；

（3）选择和函数与核参数，构造似然函数；

（4）利用贝叶斯定理求得权值的高斯分布，得到最佳超参数，确定最优权值和阈值；

（5）对最优权值和阈值进行训练，然后仿真；

（6）对仿真输出的数据进行仿真精度要求的验证，满足仿真精度要求则进行模型验证；

（7）对于经过模型验证满足预测精度要求的预测数据进行误差校正；

（8）转化数据，输出用水数据的预测结果。

3.根据权利要求2所述的方法，若仿真结果不满足仿真精度要求或模型验证结果不满足预测精度要求，返回进行BP神经网络权值和阈值的初始化。

4.根据权利要求3所述的方法，最佳超参数采用反复迭代的极大似然估计方法得到。

5.根据权利要求3或4所述的方法，进一步地，根据输出的区间预测结果中预测值的上下限求取区间中值进行点预测。

6.根据权利要求4所述的方法，当外界环境改变时，调整BP神经网络的迭代次数，然后再进行用水数据的训练和仿真。