1.一种基于改进的蜻蜓—高斯过程回归耦合(Dragonfly Algorithm-Gaussian Processes Regression,DA-GPR)的居民社区时用水量动态实时区间预测方法，包括如下步骤：(1)读取样本数据，产生训练集和测试集；

(2)初始参数设置；

(3)初始化蜻蜓；

(4)将蜻蜓个体位置H的信息依次赋值给参数；

(5)创建高斯过程回归(Gaussian Processes Regression,GPR)模型，对训练样本进行训练，计算所有蜻蜓个体的目标函数值，并将其作为蜻蜓算法的适应度函数值，计算并保存最优适应度值及其所对应的参数值，种群中的所有蜻蜓个体全部完成分离、对齐、内聚、食物吸引和天敌排斥等五种行为操作后，迭代次数加1；

(6)判断是否满足终止条件，如果满足条件，输出最优超参数并创建最优的GPR模型；如果不满足条件，则依次更新邻域半径、更新个体位置，然后返回步骤(4)继续迭代；

(7)将测试集数据输入创建的最优GPR模型，输出预测值的均值和方差；

(8)根据给定置信度，得到时用水量实时区间预测结果。

2.根据权利要求1所述的方法，所述初始参数设置包括设置蜻蜓种群规模、最大迭代次数和参数l，σf，σn的取值范围。

3.根据权利要求2所述的方法，所述初始化蜻蜓包括随机初始化蜻蜓的位置H、步长△H、邻域半径R，惯性权重ω，分离权重s，对齐权重a，内聚权重c，食物吸引权重f，天敌排斥权重e。

4.根据权利要求3所述的方法，将蜻蜓个体位置H的信息依次赋值给参数包括将蜻蜓个体位置H的信息依次赋值给l，σf，σn，其中位置H矩阵的第一行存放参数l的值，第二行存放参数σf的值，第三行存放参数σn的值，每个蜻蜓个体对应一组参数值。

5.根据权利要求4所述的方法，所述步骤(5)进一步包括：创建GPR模型，对训练样本进行训练，计算所有蜻蜓个体的目标函数值，并将其作为蜻蜓算法的适应度函数值，找出当前的最优个体和最差个体，并将最优个体视为食物，将最差个体视为天敌；蜻蜓每进行一次行为操作，便计算一次当前蜻蜓的最大适应度值：若当前蜻蜓的适应度值大于已保存的最优适应度值，则用当前的蜻蜓的适应度值替代原保存的最优适应度值，作为当前蜻蜓的最优值，并保存当前最优值所对应的蜻蜓的超参数为最优超参数值，否则仍保存原最优适应度值及其所对应的参数值。

6.根据权利要求5所述的方法，所述终止条件优选地为达到最大迭代次数。

7.根据权利要求1或5所述的方法，所述目标函数值为

F(x)＝3*MAPE+2*MAE+MSE

其中，MAPE为平均相对误差，MAE为平均绝对误差，MSE为均方误差。

8.根据权利要求7所述的方法，所述超参数为整个高斯过程回归参数集合其中 是信号方差，M＝diag(l2)，l为方差尺度，σn2为噪声方差。

9.根据权利要求8所述的方法，所述更新邻域半径为邻域半径随迭代次数的增加而成比例地增长；惯性权重ω、分离权重s、对齐权重a、内聚权重c、食物吸引权重f、天敌排斥权重e均为自适应线性递减权重，其最小值为0.4，最大值为0.9；种群规模为10，最大迭代次数均设为20，参数l的取值范围为[-1，1]，参数σf的取值范围为[-1，1]，参数σn的取值范围为[-

1，1]。

10.根据权利要求9所述的方法，所述区间预测结果表示为：[m(f*)-δcov(f*)，m(f*)+δcov(f*)]其中，f*为预测值，δ为给定置信水平下预测样本服从后验概率分布的分位数；m(f*)为均值函数，cov(f*)为预测值的方差，其中，K(X,X)＝Kn＝(kij)为n×n阶对称正定协方差矩阵；矩阵元素kij＝k(xi,xj))用来度量xi和xj的相关性，x*为测试点， 为测试点x*与训练集X之间的协方差阵，k(x*,x*)为测试点x*自身的协方差，In是n维单位矩阵。