GM组合模型用于城市生活用水量预测

以天津市为例,采用GM组合模型预测城市生活用水量,力求提高预测的精度。首先,通过对往年城市用水特点的分析,运用多元逐步回归的方法和等维灰数递补动态模型对天津市城市生活用水量进行预测,预测的平均误差分别为7.59%和11.55%;然后,采用上述两种模型的GM组合模型对天津市城市生活用水量进行预测,预测的平均误差降低为5.06%。实践证明,GM组合模型适用于城市生活用水量的预测,精度令人满意。     

灰色残差修正模型在灌溉用水量预测中的应用

灌溉用水量的预测影响因素很多,属于灰色系统问题。用灰色GM(1,1)模型预测铁甲灌区灌溉用水量,因相对误差较大,对残差进行修正。修正后的模型明显优于原模型,使用3种方法进行精度检验,都能达到要求,说明残差修正模型预测铁甲灌区短期灌溉用水量是可行的。     

灰色模型在城市用水量预测中的应用

城市年用水量为城市建设规划以及供水管网改扩建提供依据.我国城市年用水量序列特点是记录时间短,记录数据少.针对我国城市年用水量数据序列的这种特点对其进行分析研究,利用灰色系统理论,建立预测年用水量GM(1,1)模型,并以湖州市年用水量数据为原始数据进行了实际预测,取得了较好的预测效果.     

组合灰色预测模型在城市用水量预测中的应用

基于灰色预测理论,建立了残差灰色预测模型与等维递补预测模型两者相结合的组合灰色预测模型,可以对城市用水量进行预测。以青海省西宁市1998—2005年用水量作为建模数据,利用4种不同模型分别对2007年用水量进行预测。结果表明:组合灰色预测模型计算误差从基本模型的-2.06%下降到-0.34%,预测精度明显高于单一的灰色模型,具有预测精度高、简捷实用等特点。     

改进BP网络模型在年用水量预测中的应用

考虑城市用水量受众多因素影响,具有系统稳定性和非线性的特点,利用人工神经网络理论建立了改进BP网络预测模型,通过实例证明了该模型是一种行之有效的用水量预测模型。     

灰色模型和BP神经网络模型在城市时用水量预测中的应用比较

在城市时用水量预测模型中,灰色模型和BP神经网络模型是两个应用较为广泛的模型,是它们有着各自的优缺点,预测精度也不相同.本文以南方某市为例,基于两种模型的预测原理,利用MATLAB数学软件对该市的时用水量进行了预测,并对两个预测模型的预测结果进行了误差比较分析,得出了BP神经网络模型是适合该市的时用水量预测模型.     

基于组合模型的石羊河流域农业用水量预测

为了提高农业用水量模型的精度,以1997—2004年农业用水量数据为依据,建立了石羊河流域农业用水量的灰色GM(1,1)预测模型、三次指数平滑预测模型以及组合模型,并用2005—2007年的农业用水量数据进行检验。结果表明:组合模型的平均误差仅为0.27%,而单一的灰色GM(1,1)预测模型和三次指数平滑预测模型的平均误差分别为1.50%和0.54%。采用组合预测模型,对石羊河流域2008—2010年的农业用水量进行预测,结果分别为23.552亿、23.639亿、23.738亿m3。     

灰色新陈代谢模型在城市生活用水量预测中的应用

应用常规GM（1,1）模型和新陈代谢GM（1,1）模型对上海市生活用水量进行了预测。首先利用常规GM（1,1）模型对上海市生活用水量进行了建模,结果随时间序列延长,常规模型对未来的一些扰动因素无法准确把握导致精度逐渐降低。然后采用了新陈代谢GM（1,1）模型进行建模预测,并与常规GM（1,1）模型预测结果的精度进行了对比,结果显示：新陈代谢GM（1,1）模型预测精度达到94.56%,明显高于常规GM（1,1）模型精度。因此,新陈代谢模型能有效提高预测精度,可作为城市未来生活用水量的一种有效预测工具。     

遍历灰色模型对城市用水量的预测

考虑到原始序列中个别值的偶然波动影响传统GM(1,1)模型的预测精度,基于GM(1,1)模型的基本原理,构造了遍历灰色模型T-GM(1,1)。结果表明,T-GM(1,1)大大提高了模型的预测精度,将原始序列中不确定因素对预测精度的影响降到了最低,具有广泛的实用性。     

优选组合模型在山东省工业需水预测中的应用

工业的迅速发展以及水资源短缺,致使工业需水量预测成为焦点.以工业生产函数法、人均综合用水量法作为基本方法分别预测了山东省的工业需水量,其中工业生产函数法考虑了参数的时变性,人均综合用水量法考虑了人口、社会等因素.应用一般的组合理论,对单一模型的预测结果进行了加权组合,通过合理性分析,人均综合用水量法是劣势因子,组合结果不好.提出并采用了先组合模型后预测的新方法,并与一般的组合方法进行比较,证明先组合模型后预测的新方法精度更高一些.最后预测了山东省2015年、2020年的工业需水量分别为212958万、198013万m3.     

灰色模型结合微粒群算法的城市用水量预测

为了提高城市用水量的预测精度,基于灰色GM(2,1)模型,采用参数ρ进行数乘变换,利用参数λ修正其背景值,引入微粒群算法(PSO)寻求参数λ、ρ的最优解,构建PSO-GM(2,1,λ,ρ)模型,对某市1990—2001年用水量进行预测,并与灰色神经网络(GNNM)算法预测结果进行对比。结果表明:引入PSO算法,利用其全局搜索、局部搜索相结合的搜索模式确定λ、ρ,可以提高灰色模型的预测精度;参数λ、ρ的随机性、灵活性加上PSO算法的搜索性、寻优高效性使PSO-GM(2,1,λ,ρ)模型比GNNM模型预测精度更高。     

马尔可夫链在灌溉用水量预测中的应用

依据漳河水库1963年～2008年灌溉用水量资料,应用均值标准差法建立4级分级标准.针对用水量为相依随机变量的特点,以各阶自相关系数为权重,运用马尔可夫链模型预测未来一年的灌溉用水量状态.结果表明,该方法直观、预测准确、计算简便,为灌区灌溉用水量的中长期预测提供了新的分析途径.     

几种AR和ARMA模型对城市用水量预测的比较

利用时间序列法中的自回归模型（AR）和自回归移动平均模型（ARMA）,对城市某区域的用水量进行预测。模型参数采用最小二乘法进行估计,并将预测值与实测值进行了比较。结果显示,预测值的相对误差均在±10%之内,且仅有个别点的相对误差在±5%之外,预测结果与实测值基本一致。对预测结果的进一步分析表明,高阶AR模型预测结果的均方差（MSE）低于低阶AR模型,而从平均绝对百分比误差（MAPE）来看,ARMA模型的预测结果并不优于AR模型。     

Water Consumption Prediction of Istanbul City by Using Fuzzy Logic Approach

This paper presents a Takagi Sugeno (TS) fuzzy method for predicting future monthly water consumption values from three antecedent water consumption amounts, which are considered as independent variables. Mean square error (MSE) values for different model configurations are obtained, and the most effective model is selected. It is expected that this model will be more extensively used than Markov or ARIMA (AutoRegressive Integrated Moving Average) models commonly available for stochastic modeling and predictions. The TS fuzzy model does not have restrictive assumptions such as the stationarity and ergodicity which are primary requirements for the stochastic modeling. The TS fuzzy model is applied to monthly water consumption fluctuations of Istanbul city in Turkey. In the prediction procedure only lag one is considered. It is observed that the TS fuzzy model preserves the statistical properties. This model also helps to make predictions with less than 10% relative error.     

城市居民用水阶梯水价计量模型及应用

为了科学地制定城市居民用水定价,以水价改革目的为指导,根据城市居民用水定价原则,结合需求弹性相关理论,建立基于正态分布假设的城市居民用水阶梯水价计量模型并给出模型的评价标准,对城市居民用水的不同阶梯定价模式进行评价.以北京市2004年水价听证会上提出的城市居民用水阶梯水价方案为实例进行研究,得出1:3:5的阶梯水价是更...     

软基沉降预测模型的比较分析与应用

公路软基沉降预测是目前高速发展的软土地区公路建设中亟待解决的一大技术难题,预测模型也有多种,预测精度不尽相同。对工程中基于经验公式法预测沉降的传统模型(指数模型、双曲线模型)和成长曲线模型(Logistic模型、Gompertz模型、Weibull模型)给予介绍,并分别对各模型进行了数学比较分析。结果表明:传统模型不能利用施工期间的观测数据,只能用工后资料预测工后沉降,且对工后资料的要求较高;成长曲线模型能较好的反映沉降全过程的变化规律。Weibull模型较其它两种成长模型有较广泛的适应性,其对沉降的预测与实际吻合较好。     

改进的 GM（1，1）模型在工业需水量预测中的应用

灰色系统模型在贫信息、小样本的非线性系统建模中具有明显优势,适合对时间序列较短时的需水量进行预测。该文针对基本灰色预测模型背景值构造不合理及未充分利用新信息的缺点,采用重构背景值和等维递补原理对基本GM（1,1）模型进行改进,并利用改进模型对惠州市工业需水量进行拟合和预测,结果表明,改进模型预测精度更高,可作为城市需水量预测的一种方法。     

新疆地区用水量现状调查及预测分析

分析新疆地区目前的用水量状况及其变化趋势，预测未来年份的用水量，为新疆水资源可持续利用和水资源合理配置提供规划基础和依据。     

耦合动态方程的神经网络模型在水质预测中的应用

水质变化趋势的有效预测对于水资源综合管理具有重要意义。针对现有数据驱动模型不能有效反映研究对象物理机理的问题,提出了一种耦合动态方程的神经网络模型,并给出了动态方程的耦合方法。分别从数值算例和实际案例2个方面对传统网络模型和机理先验前馈网络模型进行了对比计算分析,拟合程度指标和计算误差指标都表明机理性先验知识的加入可以提高网络模型的预测精度和非线性拟合能力。同时,该模型在水质预测中具有适用性和合理性。在样本数量一定的情况下,机理性先验知识的耦合是进一步提高网络计算精度的有效途径。     

ARIMA-SVR组合方法在水质预测中的应用

针对复杂水域水质变化机理难以掌握、水质预测建模困难且预测精度低的问题,将时间序列分析方法与机器学习方法引入水质预测领域,提出了基于差分自回归移动平均(ARIMA)与支持向量回归(SVR)组合模型的水质预测方法。数据经过预处理后先由ARIMA模型对其进行线性拟合,然后通过SVR模型预测残差以补偿其中的非线性变化。选择巢湖水域2004—2015年间的pH和溶解氧监测数据作为试验样本,通过Hodrick-Prescott(HP)滤波方法分析,结果表明2组数据具有不同的趋势特性和波动特性。根据精度评价指标对比分析模型的预测效果,结果表明组合模型预测精度显著提高,pH和溶解氧预测值与观测值间的相关系数均达到了0.99,均方根误差分别为0.20和0.61,平均绝对百分比误差分别为2.2%和6.6%。本研究所建立的组合预测方法具有较高的预测精度和较强的泛化能力,适用于复杂水域的水质预测。