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。     

基于人工电场算法优化的大型灌区径流预测模型研究

针对水文预报中径流预测数据序列具有非线性和非平稳性等特点,将一种新型智能优化算法——人工电场算法AEFA与LSTM神经网络结合进行参数优化,建立AEFA-LSTM预测模型,并以赵口大型灌区涡河玄武水文站实测年径流量作为样本数据进行网络优化训练和预测分析,同时与传统优化算法（遗传算法GA和粒子群算法PSO）建立的GA-LSTM和PSO-LSTM预测模型进行对比。结果表明：AEFA-LSTM模型预测值的平均相对误差相较于GA-LSTM模型和PSO-LSTM模型分别降低了7.59%和5.22%,且平均绝对误差MAE、均方误差MSE、均方根误差RMSE均为3种模型中最小,说明所建立的AEFA-LSTM模型可以更高精度地预测径流量,为水文预报提供一种新型高精度径流预测方法。     

灰狼优化算法在城市需水预测模型中的应用

城市需水预测是城市水资源规划、管理、决策的重要依据。为提升需水预测的准确性,提出一种基于最小二乘支持向量机(LSSVM)的非线性预测模型。针对灰狼优化算法(GWO)寻优过程易陷入局部最优的问题,采用一般性反向学习与非线性控制参数对其进行改进,以提升全局优化性能。改进后的GWO算法更适合应用于非线性模型参数的拟合,因此将其引入LSSVM需水预测模型,用来拟合模型的超参数。采用上海市近年来城市供水数据来检验模型,仿真结果表明提出的城市需水预测模型平均相对误差为0.78%,最大相对误差为1.37%,具有良好的泛化能力,可作为需水预测的一种有效方法。     

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。     

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。     

基于粒子群算法优化BP神经网络的沙颍河流域需水预测

需水预测作为水资源供需分析中的重要环节,准确的需水预测能够为水资源管理政策制定、区域水资源配置、流域水资源调度等提供科学依据。以沙颍河流域为研究对象,基于粒子群优化算法的神经网络模型,对沙颍河流域需水进行预测,以期为流域需水预测提供参考。     

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。     

基于生态修复的艾比湖流域生态需水研究

艾比湖流域生态问题日益受到学界和公众关注,从艾比湖流域生态修复的角度出发,分析探讨了艾比湖流域生态修复目标和范围,以满足主要建群物种自然更新为目标,计算了生态需水量,对于河道无法补给到的保护目标,依据主要建群物种与地下水关系,提出修复天然植被的合理地下水位,并测算补给水量,成果对于艾比湖流域生态修复具有重要的参考价值。     

人工电场算法优化的极限学习机大坝变形预测模型研究

为提高水库大坝变形预测精度,研究一种将人工电场算法(AEFA)与极限学习机(ELM)相结合的预测方法。以官地水电站72期大坝沉降数据为例,构建延迟时间为1,嵌入维数为2、3、5的3种ELM预测模型,利用AEFA优化ELM输入层权值和隐含层偏值,构建3种不同嵌入维的AEFA-ELM大坝变形预测模型,并构建对应的AEFA-支持向量机(SVM)、AEFA-BP作预测对比模型。将9种不同嵌入维的AEFA-ELM、AEFA-SVM、AEFA-BP模型用于实例大坝变形数据的训练和预测。结果表明：嵌入维数为2、3、5的AEFA-ELM模型对实例后10期大坝变形预测的平均相对误差分别为3.94%、4.08%、3.67%,预测误差均小于AEFA-SVM、AEFA-BP模型,具有较高的预测精度,对大坝变形预测研究具有一定的参考价值。     

基于正切模型的额济纳绿洲生态需水研究

基于RS解译和实测径流资料,分析了额济纳绿洲生态状况与水资源的关系,结果表明,无论从时间尺度上还是从空间尺度上,额济纳绿洲生态演变和水资源之间均具有明显的正相关关系,水资源减少是生态退化的决定性因素。在此基础上,结合西北内陆河产水和用水特点,提出了产流较弱的绿洲区生态需水量是为维持一定规模绿洲所需区外补给水量这一观点,并建立了额济纳绿洲生态需水计算的“正切”模型,通过与其他方法的比较,验证了模型的合理性,该方法可为北方缺水地区绿洲生态需水分析计算和水资源管理方案的合理制定提供决策依据。     

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。     

论河流生态环境需水

回顾了生态环境需水量研究的进展，讨论了实现河流各项基本功能目标的河流生态环境用水分类、各类生态环境用水量的计算方法及其间关系。提出了河流生态环境用水量及其阈值确定的各项原则，包括功能性需求原则、分时段考虑原则、分河段考虑原则、主功能优先原则、效率最大化原则、后效最小化原则、多功能协调原则和全河段优化原则。     

利用单纯形-混沌优化算法确定河流水质模型参数

针对混沌优化算法收敛速度较慢的缺点,将单纯形算法和混沌优化算法结合,构造单纯形-混沌优化算法,并将该方法应用于分析一维河流水团示踪试验数据,求解河流水质模型参数的函数优化问题。结果表明,该算法可以有效确定河流水质模型参数,较单纯形法具有更好的收敛性、较混沌优化算法具有更快的收敛速度。     

基于联系隶属度的城市需水量预测模型

城市需水量预测是生态城市规划与管理的基础,但受诸多不确定因素影响,是一个复杂的预测难题。为能定量统一表达预测年份需水量各影响因素间及与历史数据间的交叉、交融的确定和不确定关系,在此应用有序聚类理论与集对分析的耦合方法,提出了基于联系隶属度概念的城市需水量预测模型。该模型首先基于城市需水量历史数据进行最优分割聚类,应用联系隶属度对预测年份需水量的影响因子与历史数据关系进行同异反分析,并构建相似模型预测相应年份的城市需水量。实例应用及与其他方法对比的结果表明,该模型应用于城市需水预测是有效可行的。     

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ARIMA与ANN组合模型的需水量预测方法研究

需水量预测影响因素较多,具有线性和非线性特征。本文为了提高预测精度,提出基于ARIMA与ANN组合模型的需水量预测方法 ,利用ARIMA模型良好的线性拟合能力和ANN模型强大的非线性关系映射能力,把需水量时间序列看成由线性自相关结构和非线性结构组成,采用ARIMA模型预测需水量序列的线性部分,用ANN模型对其非线性残差部分进行预测,再将二者预测值进行组合预测。通过实例研究,组合模型预测精度更高,是需水量预测的一种有效方法。     

基于定额定量法的阿克苏市需水量预测分析

以阿克苏市经济发展及水环境保护为目标,分析目前该市各水平年的需水现状,对各水平年的用水定额进行了分析确定,以2006年为现状年,对2015年及2030年的需水进行了预测,从而为该市未来的水资源合理配置提供了理论依据。     

基于遗传算法的变密度条件下地下水模拟优化模型

将遗传算法和变密度地下水流及溶质运移模拟程序SEAWAT耦合起来,开发了一个新的用于地下水模拟优化管理的通用程序——SWTGA。以求解变密度条件下地下水优化管理问题,从而为地下水管理决策者提供科学依据和技术支持。设计SWTGA时,建立了适用于变密度条件下地下水优化管理常见问题的目标函数的一般形式,同时设定了常用的约束条件。最后将SWTGA程序应用于一个理想滨海含水层中地下水开采方案的优化设计,寻优之后获得了最佳开采方案,与未优化开采方案的对比显示优化结果合理可行,验证了SWTGA模拟优化程序的有效性和可靠性。     

基于粒子群仿生算法的混凝土坝变形预报模型

将粒子群算法引入大坝安全监控领域,并结合多元回归统计模型,建立基于粒子群算法的混凝土坝变形预报模型。利用粒子群算法的全局寻优能力以及该算法具有正反馈信息的仿生特点,通过优化迭代计算,确定坝体变形统计模型中各回归系数。工程实际应用表明,基于该模型的预报结果与传统的最小二乘法相比,可显著提高混凝土坝变形的预报精度,所以该模型的预报应用是可行的。