灰色GM(1,1)模型预测鞍山市居民生活需水量探讨

依据鞍山市2004—2013年居民生活需水量数据,运用灰色GM(1,1)模型对2014—2020年未来7年的居民生活需水量进行预测分析。经计算,该模型的后验差比值C=0.3181,小误差概率P=1.000 0。模型预测精度为好,预测等级为1级,表明此模型符合其灰色特性,可应用于鞍山市居民生活需水量的预测,为区域水资源规划的制定和管理提供基础数据。     

城市需水量预测方法比较

为了提高城市需水量预测的精度,基于北京市2000—2011年的实际用水量数据,对比分析了BP神经网络预测模型、灰色GM(1,1)模型、非线性趋势模型和灰色-神经-趋势组合预测模型及其基于马尔科夫修正的各单项模型需水量预测结果。结果表明:组合预测模型优于各单项模型,基于马尔科夫修正的各模型优于各未修正预测模型。基于马尔科夫修正的灰色-神经-趋势组合预测模型预测精度最高、效果最好。     

灰色GM(1,N)自记忆神经网络组合预测模型研究

水文要素的预测具有不确定性,为了提高水文要素预测精度,将水文要素的多个相关因素在建模时加以考虑。本文通过建立考虑多个相关因素的灰色GM(1,N)自记忆模型,并与BP神经网络建立组合预测模型。利用新疆墨玉县年蒸发量实测资料,建立灰色GM(1,5)自记忆神经网络组合模型。研究表明:该组合模型拟合和预测效果较满意。     

基于集对分析的区域需水量组合预测模型

在建立区域需水量预测的多元回归、神经网络和灰色系统模型的基础上,提出基于集对分析的区域需水量组合预测模型(SPA-CF),从同、异、反3个方面对各单个预测模型的预测精度进行定性和定量的综合分析,合理确定各单个预测模型的权重。应用结果表明,SPA-CF是一种直观、简便、通用的组合预测新模型,在区域需水量预测中具有推广应用价值。     

基于模糊神经网络的区域需水预测计算模型

将神经网络和模糊理论相结合建立模糊神经网络模型,从模糊神经网络角度并运用灰色系统理论对区域需水量进行预测,通过应用于盐城市在未来2010年需水预测的实例,计算分析结果表明该模型具有良好的可行性和合理性,可以借此深入分析外生变量与区域需水量之间的关系。     

组合预测模型在区域需水量预测中的应用

为实现水资源的合理利用与科学调配,准确的需水量预测方法是必不可少的。在采用多元线性回归模法、灰色预测模型以及神经网络模型进行区域需水量的基础上,结合信息熵原理确定各个单项模型的加权系数对需水量进行组合预测。计算结果表明,组合预测模型对各个预测模型的信息进行了优化整合,增强了预测的稳定性及精度,为水资源的合理规划提供了科学决策依据。     

基于加权灰色-马尔可夫链模型的城市需水预测

城市需水量预测是区域水资源规划及优化配置的基础内容。在基于灰色GM(1,1)模型预测城市需水量总体趋势的基础上,引入加权马尔可夫链预测理论,建立了加权灰色马尔可夫GM(1,1)预测模型。该模型既考虑了GM(1,1)模型较强的处理单调数列的特性,又考虑了通过相对误差的状态转移概率矩阵的变换提取数据随机波动响应的特点。成都市城市需水量预测结果表明:加权灰色马尔可夫GM(1,1)模型充分利用需水量数据给予的信息,实现了对相对误差的状态转移的预测,并提高了修正灰色模型预测值的精度;通过与其它2种灰色预测模型预测结果比较,加权灰色马尔可夫GM(1,1)模型精度更高,预测得到2012年和2013年成都市城市需水量分别为74 250.91万m³和79 818.34万m³,呈明显增长趋势。因此该模型提高了随机波动较大数据序列的预测精度,拓宽了传统灰色模型预测的应用范围,更具科学性。     

基于模糊神经网络的区域需水预测计算模型

将神经网络和模糊理论相结合建立模糊神经网络模型，从模糊神经网络角度并运用灰色系统理论对区域需水量进行预测，通过应用于盐城市在未来2010年需水预测的实例，计算分析结果表明该模型具有良好的可行性和合理性，可以借此深人分析外生变量与区域需水量之间的关系。     

城市年需水量的灰色预测探讨

分析了某市年需水量的变化特点,讨论了对年需水量预测效果较好的灰色GM(1,1)模型在该市年需水量预测中的应用,并提出了改进灰色模型在该市年需水量预测中的应用,结果表明:改进的灰色预测模型与传统的灰色GM(1,1)模型相比,平均相对误差及原点误差均较小,可用于该市的年需水量预测,为该市年需水的宏观调控与用水规划提供参考.     

基于主成分分析的BP神经网络在延安市需水预测中的应用

利用延安市1990～2010年的需水量数据,采用主成分分析法对影响水资源需求量的10个因子进行了分析.结果表明:GDP、降雨量、居民生活用水量及生态环境用水量4个因子为影响需水量的主要因子,将此作为主要因子构造BP神经网络的输入样本,建立延安市需水量预测模型.模拟结果与实际值相吻合,并利用模型对2015年需水量进行了预测.     

研究生论文摘要

城市需水量预测系统的开发研究 研究生:尹学康 导师:许仁荣 (湖南大学土木工程学院 410082) 城市需水量预测是城市供水系统中长期规划和管网优化调度的基础。通过分析深圳特区用水量变化规律,采用非线性回归分析、时间序列、人工神经网络、灰色模型和组合预测模型分别对时需水量、日需水量、年需水量进行了研究。通过分析各种模型在不同预测类型中的优缺点,提出了指导选择城市需水量预测模型的方法。研究得出以下结论:     

基于RBP神经网络模型的城市需水量方法研究

城市需水量预测是水资源可持续发展的研究基础。需水量预测考虑的影响因素较复杂,增加了需水量预测难度。通过建立RBP神经网络模型,以河北省A城市为例,进行城市需水量拟合与预测,与传统BP神经网络模型和灰色系统模型计算结果进行对比分析,结果表明RBP神经网络模型拟合的相对误差为2.65%,模型预测结果的相对误差为3.92%,计算结果精度高于另外两种方法,对今后城市需水量预测方法研究提供了一种有效方法的借鉴。     

组合预测法在城市生活需水量预测中的应用

科学客观地预测城市生活需水量,合理规划水资源的配置,是城市发展的需要. 本文运用GM(1,1)模型和一元线性回归模型相结合的组合模型对城市生活需水量进行预测,结果表明,组合预测综合考虑了各种因素的影响,能够提高需水量的预测精度,为水资源合理规划提供了科学决策依据.     

基于灰色系统模型的北京市需水量预测分析

该文在对城市需水量预测方法进行对比分析的基础上,结合城市需水量预测工作的特点和要求,引进灰色系统理论,利用北京市2002-2011年历年的年用水量数据,对总用水量、生活用水、农业用水、工业用水分别建立相应的灰色GM(1,1)模型,模型的精度检验效果较好。需水量预测结果表明,2012-2020年的各类需水量预测结果与未来的规划目标和产业发展趋势保持一致,预测结果可为水资源规划提供科学依据。     

包头市市区居民生活用水量预测分析

用水量预测对区域水资源规划、利用和管理提供重要依据.运用灰色关联度分析法分析包头市市区居民生活用水量影响因素的基础上,分别建立多元线性回归模型、灰色GM(1,1)模型及灰色线性组合模型对该地区2009年和2010年的生活用水量进行预测分析,同时比较了三个模型的预测精度.结果表明:城市居民生活用水量与城市用水人口、人均居住面积和水价的关联度较高;2009年和2010年用水量的预测采用组合灰色模型精度最高,相对误差分别为13.6％％和6.5％,均方根相对误差为10.7％.组合预测模型的预测精度明显优于单一模型,使结果更加准确、合理,符合实际情况.     

引入新陈代谢的耦合需水预测方法及其应用

基于郑州市1996~2005年的生活用水量及社会经济发展统计资料,分别利用GM(1,1)灰色模型、回归方程与GM(1,1)耦合分析方法对实际用水量进行了模拟分析。结果显示,耦合分析方法较单一的灰色预测方法能够取得更好的模拟效果,适用于郑州市生活需水量的预测。此外,在规划水平年需水预测时引入新陈代谢的思想,对郑州市不同水平年的生活需水量进行了预测,预测结果合理、可靠。     

灰色新陈代谢GM(1,1)模型在需水量预测中的应用研究

文章针对常规GM(1,1)模型存在的缺陷,建立了灰色新陈代谢GM(1,1)需水量预测模型。并运用该模型对锡林郭勒盟2015～2020年需水量进行了预测。结果表明,预测结果合理、可靠,模型预测误差较小、精度较高。该模型具有简捷实用、预测精度高等优点,为需水量预测提供了新的方法。     

基于Shapley值的西安市生活需水量组合预测研究

利用等维灰数递补法、非线性回归、广义回归神经网络等3种方法进行了西安市生活需水量预测,比较了不同方法的预测误差,然后根据各种方法对总预测值的信息贡献能力形成Shapley值组合需水量预测方法,计算了不同预测方法的Shapley值及其组合权重,形成组合预测需水量模型。预测结果表明:组合方法误差曲线平缓、平均误差值较小,具有一定的预测精度,适用于需水量的中短期预测。     

加速遗传算法在需水预测中的应用

利用灰色系统理论把受各种因素影响的需水量视为在一定范围内变化的与时间有关的灰色量,从而建立GM(1,1)模型对区域需水量进行预测,并对模型进行改进,探讨利用基于加速遗传算法的RAGA-GM(1,1)模型来对广州市的需水进行预测模拟。     

气象干旱组合预测模型研究及其应用

为提高干旱预测精度,克服单一预测模型的不足,在分析灰色理论和遗传神经网络模型特点的基础上,构建了气象干旱的多尺度组合预测模型。该模型首先提取灾变序列,利用GM(1,1)模型进行拟合和预测,然后采用遗传神经网络对拟合值进行修正,得到训练好的网络结构,最后修正GM(1,1)模型的预测值。利用郑州市1951—2012年月降水数据进行的干旱预测结果表明:针对不同尺度的灾变序列,组合预测模型的预测效果优于GM(1,1)模型和遗传神经网络模型,且模型的平稳性较好。