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。     

基于BP神经网络的区域需水预测

本文基于BP神经网络L-M的改进算法,建立人工神经网络区域需水预测模型,选取GDP、人口、粮食作为区域需水预测因子,将BP神经网络模型应用到文山州区域需水预测中,并运用MATLAB神经网络工具箱进行模拟计算.     

基于组合预测法的城市需水预测

建立指数平滑和灰色模型组合预测模型,采用改进熵值法确定权重系数,并运用组合模型对宁波市进行了需水预测。以宁波市2001～2015年城市用水总量为基础数据,2016年城市用水总量作为测试数据,预测结果显示,组合预测模型的相对误差只有0.17%,低于指数平滑预测的1.71%和灰色模型预测的1.19%,组合预测模型进一步提高了单一预测模型的预测精度。     

基于遗传模拟退火算法的神经网络模型在陕西省需水预测中的应用

神经网络模型是近年来在需水预测方面应用较为广泛的一种方法,在陕西省的需水预测中根据实际情况采用遗传模拟退火算法对其进行优化,预测的结果和其他预测方法进行对比,证明该方法预测的结果较为合理,能够在类似的预测中加以推广应用。     

加权平均集成神经网络模型在城市需水预测中的应用

针对单一神经网络模型预测误差波动大、精度不高等问题,提出基于SVM、BP和Elman神经网络基本模型的加权平均集成需水预测模型。首先,利用相关分析和ADF单位根检验,选取需水预测主要影响因子。为避免模型过度拟合,引入虚拟维,并针对BP、Elman神经网络标准算法收敛速度慢、易陷入局部极值的不足,采用自适应动量算法改进BP和Elman神经网络标准算法,依次构建SVM、BP和Elman需水预测单一模型,并对上海市2002—2011年需水量进行预测;最后,基于加权平均方法对各单一模型预测结果进行综合集成。结果表明:利用加权平均集成模型对上海市2002—2011年需水量进行预测的平均相对误差绝对值为1.8004％,最大相对误差绝对值为3.6995％,精度和泛化能力均大幅优于各单一模型。说明本研究建立的加权平均集成模型用于需水预测是合理可行和有效的,它综合了各单一模型的优点,有效避免了单一模型预测误差过大和不稳定的缺点,具有预测精度高、泛化能力强、误差变化幅度不大等特点。     

基于灰色遗传BP神经网络的校园区间需水预测研究

水资源预测是城市安全用水的基础保障,而校园用水预测是城市用水规划和管理的组成部分。针对校园用水受很多因素影响产生的不确定性,提出了基于灰色遗传BP神经的校园用水预测模型。模型对校园用水的数据进行灰色关联分析,并加入遗传算法去优化BP神经网络,经过残差计算,输出区间的预测值。运用该模型可以充分提取小样本信息,解决神经网络无法自动寻优的问题。通过Matlab对校园的用水区间数据进行仿真,得出的结果显示,预测的数据和实际数据基本吻合,其仿真精度可以达到90. 32%,验证了该方法的可行性,此预测方法有一定的借鉴意义。     

山西大同市RBF神经网络需水预测

结合生活、工业、农业用水量的特点,分析用水量的影响因素,建立径向基函数(RBF)神经网络需水预测模型,采用最近邻聚类学习算法确定RBF网络的宽度、选取聚类中心和权值.以大同市为例,采用RBF神经网络需水预测模型预测大同市在3个年份的需水量,输入层有13个节点.为影响需水预测的13个因子,输出层为城镇生活需水、农村生活需水、工业需水和农业需水4个节点.网络经过学习得到隐含层的节点数为8,3个预测年份的需水总量的相对误差分别为-6.12%、3.05%和5.57%.预测结果表明RBF神经网络具有输出不依赖初始权值,收敛速度快的特点,需水预测模型有较好的预测效果.     

RBF神经网络在阿拉尔垦区需水预测中的应用

利用RBF神经网络,建立了阿拉尔垦区需水量预测模型。选取农业用水灌溉定额、工业用水重复利用率、城镇生活人均日需水量、农村生活人均日需水量作为模型输入,农业、工业、城镇生活、农村生活需水量作为输出。将2001—2007年用水量数据作为训练样本,用2008—2009年用水量数据对模型进行检验。在农业、工业、城镇生活、农村生活4类需水量中,2009年工业需水量预测的相对误差最大,为-16.24%,总需水量的最大误差仅为1.80%,取得了较满意的结果,表明RBF神经网络模型用于该区需水量预测是可行的。     

新疆需水预测分析

分析了新疆需水量预测的影响因素，提出了灰色系统理论并建立预测模型，有助于新疆采取合理的用水规划措施，减少成本开支，促进经济社会的可持续发展。     

基于相空间重构原理的遗传神经网络模型在城市需水预测中的应用

针对多元变量需水预测模型中变量之间普遍存在多重共线性问题以及BP神经网络收敛速度慢、易陷入局部极值等缺点,将相空间重构原理及遗传算法(GA)引入BP神经网络需水预测模型中,提出基于相空间重构原理的GA-BP城市需水预测模型,并对上海市需水预测进行实例分析。实例分析结果表明:GA-BP模型对上海市2005—2009年的年用水量预测平均相对误差绝对值和最大相对误差绝对值分别为1.4344%和2.7672%,对2010—2011年的年需水量预测相对误差分别为0.5136%和0.0270%,精度均优于BP神经网络预测模型;基于相空间重构原理的GA-BP需水预测模型具有较好的预测精度和泛化能力,是提高需水预测精度和泛化能力的有效方法。     

基于灰色模型的城市需水量预测

用灰色模型对四川省资阳市2010、2015、2020年的需水量进行了预测,得出需水量分别为2 282.0、2 834.6、3 235.3万m3。对预测结果的精度校验表明,模型的预测精度等级为一级。     

基于改进型BP神经网络马尔科夫模型的区域需水量预测

为提高需水量预测的精确度,应用了一种BP神经网络与马尔科夫相结合的预测模型,介绍了它的基本原理及算法,并给出了该模型建立的具体过程,最后该模型被应用于需水量预测工作中,计算证明取得了较好的效果。     

改进灰色模型在水量预测中的应用

灰色模型对生活用水量进行预测本身具有一定的局限,数据离散程度越大,灰度也愈大,其预测精度也越差.文中采用滑动平均法对灰色预测的原始数据进行了改进,并采取残差修正,避免了数值过度波动.通过预测实例,结果表明改进后的灰色预测模型能有效提高预测精度.     

基于小波分析的NARX神经网络在水位预测中的应用

高精度的水位预测能为防洪决策、水资源管理等提供重要的调度依据,减少洪旱灾害损失。为提高预报精度,提出一种基于小波分析的NARX神经网络模型(DWT-NARX),综合考虑洪泽湖入湖流量、出湖流量、周边用水、前期水位等因素,对洪泽湖日水位进行预报,并与BP神经网络、NARX神经网络模型进行比较。结果表明,三种模型在短历时预报中均取得了较好的模拟预测效果。当预见期为1或2天时,Nash-Sutcliffe效率系数均大于0.9,合格率大于85%;当预见期超过3d,NARX模型在水位变幅较大的时段预测结果变差,BP模型出现严重的震荡现象,NARX和DWT-NARX模型结果均优于BP神经网络,DWT-NARX在整体上结果最优。研究成果可为洪泽湖的水位预报提供一定的参考价值。     

基于随机森林模型的需水预测模型及其应用

为解决需水预测模型精度问题,尝试基于随机森林模型的分类和回归功能构建需水预测模型。以苏州市需水量预测为研究实例,首先应用随机森林模型的分类功能将需水预测因子分类,经计算发现第一产业比例、人口、灌溉面积、万元产值用水量和国民经济生产总值为最重要的解释变量。在此基础上,用随机森林模型的回归功能对需水进行预测,同时采用相同的训练数据建立基于BP神经网络和RBF神经网络的需水预测模型,通过对比3个模型的预测结果,发现随机森林模型能有效预测需水量,且精度较高。     

神经网络预测与模糊控制在河流模型水位控制中的应用

结合神经网络与模糊逻辑，提出了一种新的控制方法，解决了对于非线性、时变、时滞严重、难以建立精确数学模型的动态控制问题。并应用于河流模型水位控制中，取得了很好的控制效果     

基于PCA-RBF神经网络模型的城市用水量预测

针对城市用水量影响因素众多、关联性较强以及BP神经网络收敛速度慢、易陷入局部极小值等问题,采用组合主成分分析(PCA)与RBF神经网络的方法预测城市用水量。利用主成分分析对用水量影响因素进行降维,消除多重共线性,选取能够替代原用水量影响因素的前三个主成分作为输入因子,选用学习和收敛速度快、模式识别能力强的RBF神经网络进行预测。研究结果表明,该模型的相对误差平均值在训练和预测阶段均最小,分别为0.165 4%和0.677 5%,学习和预测能力均优于RBF和BP神经网络模型,提高了收敛速度和预测精度;主成分数量从3个增加到5个,信息量累积贡献率从93.09%增加到98.37%,平均相对误差从0.250 7%降至0.206 0%,预测精度略有提高。对2015—2020年枣庄市用水量进行预测,总用水量先有小幅上升,后又下降,呈现"倒U型"增长。该模型对城市区域水资源规划具有参考价值。     

基于GRA-NARX神经网络的泵站站前水位预测模型

针对多种水工建筑物相互作用和影响下的泵站水位预测难题,提出基于GRA-NARX（grey relation analysis-nonlinear autoregressive model with exogenous inputs）神经网络的泵站站前水位预测模型。该模型包括灰色关联分析(GRA)和NARX神经网络两部分,利用3种训练算法和不同时间延迟分别对密云水库调蓄工程屯佃泵站站前水位进行2 h预测,并与NARX模型和GRA-BP(grey relation analysis-back propagation)模型的预测结果进行比较。研究结果表明,GRA-NARX-BR(grey relation analysis-nonlinear autoregressive model with exogenous inputs-bayesian regularization)模型用于水位预测能够比较全面地考虑影响因子,预测精度高,相关系数最高达0.986 62,均方根误差最小为0.008 6 m,预测效果比NARX模型和GRA-BP模型好,且时间延迟越长,均方根误差越小。模型也可在其他调水工程中推广使用。     

基于区域经济层次的城市需水预测模型研究

针对现有需水量预测方法存在局限性等问题,结合经济社会发展状况和水资源的特点,建立了基于研究区域经济层次的交互式城市需水预测模型。该模型能够较好地体现出社会经济、生态、环境和水资源各个系统之间的复杂关系。模型分为经济总量预测、经济结构预测、用水定额预测和需水量预测四个子模块。将模型在乌鲁木齐市水资源综合规划中应用,效果很好。模型具有实用性强、适应性强等特点,适宜推广。     

利用灰色-BP神经网络组合模型对延吉市地下水位预测

针对延吉市地下水位变化情况,利用灰色--BP神经网络组合模型对地下水位变化趋势进行预测,提出地下水位的预测不能仅限于一种方法,应在充分分析影响水位变化各因素的基础上,采用合理的方法预测.