灰色神经网络耦合模型在城市需水量预测中的应用

目的为了更准确预测城市用水量,弥补灰色和神经网络预测模型在中长期需水量预测中的不足.方法采用最小方差法建立了灰色新息递补模型和新息递补BP神经网络的耦合模型即灰神经模型,并对城市需水量进行预测.结果预测沈阳市生活需水量,灰神经网络耦合模型的平均相对误差为0.144%;预测沈阳市工业需水量,灰神经网络耦合模型的平均相对误差为0.19%.在模拟精度方面远远高于其他模型的模拟值,提高了预测的准确性.结论提出了用灰色神经模型来预测城市需水量的方法,能更好地预测城市未来需水量,把影响预测的不定因素降到最低限度,具有广泛的实用性.     

偏最小二乘回归神经网络在城市生活用水量预测中的应用

科学的预测城市生活需水量对城市的发展具有十分重要的意义.城市生活需水量受到多重因素的影响,各因素之间的相关性较大.将自变量利用偏最小二乘回归处理,提取对因变量影响强的成分,既可以克服变量之间的相关性问题,又可以降低神经网络的输入维数;利用神经网络建模可以较好地解决非线性问题.将偏最小二乘回归与神经网络耦合,建立了城市生活用水量预报模型.实例表明,耦合模型的拟合和预报精度均较好.     

BP神经网络在城市需水量预测中的应用

将BP神经网络方法,引入到城市需水量预测中,表现需水量众多影响因子的非线性复杂因果规律,结果表明,神经网络方法应用到城市需水量预测中具有较强的预测能力和很高的可信度,技术上是可行的。     

组合预测方法在需水预测中的应用

社会经济和气候因素对水资源需求的影响一直是国内外重点关注的研究领域,以东莞市为研究对象,将需水量影响因子划分为气候因子、经济因子和社会因子,选取不同的影响因子建立需水预测模型,分析各类因子与需水量之间的响应关系.在此基础上选取最合适的影响因子,应用多种方法建立预测模型,采用最小方差组合预测技术对不同预测模型的结果进行集成.研究结果揭示了东莞市需水量变化的情景和成因,预测了东莞市需水量变化趋势,并为东莞市水资源需求预测管理提供理论基础.     

灰色新陈代谢GM(1,1)模型在中长期城市需水量预测中的应用研究

研究了基于灰色系统理论的中长期城市需水量预测方法.针对常规GM(1,1)模型存在的不足,建立了灰色新陈代谢GM(1,1)需水量预测模型,并利用此模型对北方某缺水城市未来10年的需水量进行了预测.结果表明:模型精度较高,预测误差较小.     

灰色递补模型在城市需水量预测中的应用

目的提出使用灰色递补模型准确地预测城市需水量,弥补传统灰色预测中不能对外界影响因素做出反应的不足.方法在传统灰色预测基础上,由已知数列预测一个值,将预测值补加到已知数列中去,同时去掉最早期的一个数据,保持维数的不变,接着预测下一个数据,把新的数据补充到原数列中去,同样去掉最早期的一个数据,这样逐个替换、补充,依次递补,直到完成预测目标.结果通过模型模拟结果可以看出灰色递补模型在模拟精度方面要远远超过传统灰色模型,灰色递补模型模拟的相对误差较小,小误差概率P、均方差比值C都较好,对未来需水量预测更准确.结论通过对比和实践验证,灰色递补模型弥补了传统灰色模型在预测中的不足,把外界对需水量的影响降到最低,能更好地预测城市未来需水量.     

考虑气象因子的城市日用水量预测模型

讨论了影响城市用水量变化的气象因素,对某市6个月的用水量及气象数据进行分析,评估了温度、湿度、降水量与城市用水量的相关程度,并通过分别引入单气象因子和多气象因子,建立了日用水量预测的ARX模型.结果表明,在单步长(1 d)预测中,综合考虑最高温度和平均湿度的影响后,预测精度较时间序列的自回归模型有较大改进,同时也优于仅考虑单气象因子的预测模型.此外,在多步长的预测中,考虑气象因子后的预测模型精度仍具有明显的优势,是对用水量自回归时间序列预测方法的有效完善.     

NPSO-GRNN在城市生活需水量预测中的应用

利用小生境粒子群算法(NPSO)的全局搜索能力,对GRNN的光滑因子进行优化,提高了广义回归神经网络(GRNN)的网络性能,建立了基于NPSO-GRNN的城市生活需水量预测模型。研究结果表明:利用该模型拟合和预测北京市1988-2012年生活需水量数据的平均相对误差绝对值分为别0.72%和0.36%,两者都比BP神经网络模型拟合预测的结果低;NPSOGRNN模型能更好的拟合北京市城市生活需水量的变化趋势,预测精度更高,泛化能力更强。     

灰色残差模拟在城市用水量预测的研究

目的 使用灰色残差模型,解决预测城市需水量问题.方法 在传统灰色预测基础上,通过模型模拟的还原值与原始数据比较,取其差值,构建新数列模型代回原模型修正误差.结果 通过对2000-2004年沈阳市生活用水量计算,灰色残差模型中均方差比值c为0.32,小误差概率p为0.94.而传统灰色方法 中均方差比值c为1.03,小误差概率p为0.62.表明灰色残差模型在模型精度方面高于传统灰色方法 ,更能对外界因素的影响做出反应.结论 通过对比验证.灰色残差模型弥补了传统灰色模型在预测中不足而且能更好地预测城市未来需水量.     

灰色神经网络最优权组合模型预测城市需水量

需水量预测是一个大量数据指标和影响因素共同作用的复杂系统。目前以单一的模型预测为主,而这种预测方法仅能体现该系统的局部。针对这一情况,利用灰色模型和改进BP神经网络,建立最优权组合模型预测城市需水量,使用Matlab进行实例计算,并与其他预测方法比较。结果表明,该模型有较高的预测精度,优于单个模型,预测效果更优于其他方法。     

居民出行产生量BP神经网络预测方法

居民出行产生量预测是交通需求分析的重要内容之一,预测结果是确定各类城市交通设施发展规模及布局规划的重要依据.通过分析人工神经网络的作用机理和居民出行产生量的影响因素,建立了居民出行产生量预测的四层BP神经网络模型,以土地利用作为输入神经元,以交通区居民出行产生量作为输出单元,以赣州市城市综合交通规划交通调查数据对模型进行了标定与检验,并与出行次数法和回归分析法进行了比较,结果表明BP神经网络模型具有较高的预测精度.     

管制员需求量预测研究

通过收集整理和分析一系列统计资料,选择灰色预测模型、灰色-马尔可夫预测模型、多元回归法和组合预测法等4种不同的人才需求量预测模型,预测出我国民航未来5年每年持照管制员需求量的时间序列,并进行了精确度分析。所得到的结果对我国民航各级管制单位制定人才引进计划,管制员培养院校制定招生计划均具有一定的参考价值。     

三种城市日用水量预测模型对比研究

为实现科学、安全供水,建立精度高、可靠性强的城市日用水量预测模型,分别运用单指数平滑法、灰色预测方法、BP神经网络三种方法,对A市进行城市日用水量预测,并具体分析了各种方法的优缺点及适用范围.通过优化对比分析,当基础数据较完善时,BP神经网络预测模型精度较高,能较好地满足预测要求.     

基于灰关联分析的多元线性回归模型在中长期水文预报中的应用

采用灰色系统理论中的关联分析方法,对影响径流的各个因素进行分析,挑选出影响径流的主要因子,建立径流与主要影响因子之间的多元线性回归预测模型.通过实例证明,该方法简单可行,预测精度较高.     

BP网络的城市时用水量预测组合模型

为建立起城市用水量与其影响因素间的预测模型,以预测的城市用水量趋于合理,针对城市时用水量的特点及影响因素,在考虑充分利用各因素历史观测数据的基础上,利用BP神经网络建立了城市时用水量的时间序列预测与解释性预测组合模型,并对南京市的时用水量进行了预测.预测结果与实际情况具有很好的一致性,预测误差小,能满足供水系统调度的实际需要.可见,本预测组合模型是合理的,为城市时用水量预测提供了一种可行方法.     

中国空间科技专门人才的需求量预测分析

通过收集整理和分析一系列统计资料,选择灰色预测模型、综合指标法、多元回归法和组合预测法等四种不同的人才需求量预测模型,预测出了中国空间科技专门人才需求量的时间序列,并进行了精确度分析,同时提出了政策性建议．所得到的结论对于我国有关部门制定及空间科技专门人才培养计划空间科技人才规划、建立相关的培养空间科技专门人才机构、确定空间科技教育培训的规模以及制定相应的均具有参考价值．     

灰色模型在城市中长期用水量预测中的应用

为进行科学合理的供水系统规划,给出一种基于记录时间较短、历史数据较少的用水量序列的GM(1,1)预测方法.该预测方法把原始用水量序列累加处理生成新序列后,用指数关系式拟合,通过构造参数矩阵,确定辩识参数,建立灰色模型的微分方程;求解灰色模型的时间响应函数,生成累减矩阵,进行累减运算即得用水量序列的预测值.MAPE精度分析结果表明GM(1,1)用水量预测方法精度较高.该预测方法应用于D市的中长期用水量预测,为D市供水规划提供有效依据.     

灰色模型在中长期电力负荷预测中的应用

利用灰色预测法对某市近几年的实际历史负荷数据进行建模,结合回归分析法预测出近几年的负荷值,通过与过去原始历史数据进行对比,从平均相对误差的大小和后验差值检验方面说明灰色理论模型在中长期电力负荷预测中的优越性.     

城市用水量BP网络预测模型

城市用水量的预测结果，对于城市规划，供水系统的管理及改扩建有着重要的意义。寻求科学合理的预测模型是保障预测结果准确可靠的关键。针对这一问题，利用人工神经网络理论建立了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。     

三种交通流量预测模型的建立及其比较

针对城市交通“智能运输系统”和交通流的特性,采用先进的支持向量机算法和由它改进的BP神经网络方法来建立交通流量预测模型,并将它们及多元线性回归模型分别用于实际流量模拟.实验验证了由支持向量机算法和改进的BP神经网络建立的预测模型具有更高的预测效果和模拟精度.