组合模型在城市用水量预测中的应用

将灰色模型和一元线性回归模型应用于城市用水量的预测,并用方差-协方差优选组合模型将灰色模型和一元线性回归模型进行组合.实例分析表明,组合模型的预测精度优于单个模型,可用于城市用水量的预测.     

城市供水规划的自回归分布滞后模型研究

通过对广州市年用水量的分析,考虑时间、区内生产总值、人口、对用水量的影响,运用并建立自回归分布滞后预测模型,对规划用水量进行预测,实例分析说明自回归分布滞后模型预测城市用水量是可行的,具有很高的精度。     

时用水量预测的实用组合动态建模方法

利用随机过程及时间序列分析手段，根据用水量序列季节性、趋势性及随机扰动性的特点，建立了水量预测的实和组合动态模型。解决了标准日与周末用水量预测的衔接问题，利用加权递推最小二乘法（ＲＬＳ）进行动态参数估计，因此可很好地满足实时控制的需要。该方法经实例验证，预测误差较小，适用性强，可直接应用于供水系统的高度控制中。     

城市用水量预测的SIMULINK仿真技术研究

为保证城市供水优化运行的安全性和可靠性,提出了基于时间序列和神经网络理论的城市用水量预测的SIMULINK仿真模型。基于时间序列预测法的SIMULINK仿真模型依据回归算法确定模型参数,得到预测结果和误差,可通过调整SIMULINK模块参数提高仿真精度;在基于神经网络的SIMULINK仿真模型中,根据BP神经网络原理分别建立输入层、隐含层和输出层模型,得到预测结果和误差,可通过增加训练样本数提高仿真精度。仿真结果表明:基于时间序列和神经网络的水量预测SIMULINK仿真模型,不仅预测精度达到要求,而且还具有模块直观、参数易调和结果可视化等优点。     

城市用水量预测模型的优选研究

为克服目前用水量预测方法众多及模型繁杂给实际预测方法选择带来的困难，根据自相关分析理论对城市用水量时间序列的数据模式进行识别，提出了用水量预测模型的优选方法。实例表明，使用该方法选择的水量预测模型针对性强、预测精度较高。     

改进单指数平滑法预测某市日用水量

为实现供水管网经济、可靠、科学的优化调配用水量,给出一种基于改进单指数平滑预测方法,该预测方法引进"追踪信号"来反应时间序列的变化,通过重新修正平滑常数a以建立改进单指数预测模型。以东北某城市日用水量为原始数据进行了实际预测,模型精度检验的结果满足Y市用水量要求,该预测模型应用于Y市的日用水量预测,为Y市供水优化调配提供有效依据。     

灰色组合模型在变形预测中的应用

变形预测方法有很多种,为了提高预测精度,采用组合模型预测已经成为一种趋势,因为组合模型能够利用单一模型舍弃的有用信息。本文用单一灰色模型、灰色-时间序列组合模型与灰色-线性回归组合模型三种种方法进行了预测及对比,从预测效果可以看出在短期预测内三种模型都能有相当好的预测精度,而灰色-时序组合模型预测精度略高。     

RBF网络预测城市用水量模型

考虑了影响城市用水量的气温、节假日和阴晴状况等因素，利用径向基函数网络(RBF网络)建立了日用水量的动态预测模型。先用实际配水系统的用水量数据训练网络，之后用训练好的网络模型预测实际配水系统的用水量数据，结果显示预测精度良好，其残差序列的自相关系数落在95％的置信区间内。     

基于灰关联定权组合模型的基坑变形预测分析

将基坑变形预测分为横向预测与纵向预测,横向预测选用相邻监测对象为影响因素,并建立各影响因素的一元非线性回归模型;纵向预测分别建立回归分析模型、时间序列模型、灰色系统模型、BP网络模型。以单一预测模型与监测对象的关联度为依据,确定了单一预测模型的权重值,建立了灰关联定权组合预测模型。分别运用单一模型与组合模型进行数据预测,并对预测结果进行分析比较,组合预测模型预测结果更为稳定、准确,能较好地反映监测对象的变化趋势。     

人工神经网络法预测时用水量

根据城市时段用水量序列的季节性，趋势性及随机扰动等特点，利用人工神经网络（ANN）法建立了短期用水量预报模型，并采用某市时用水量的实测数据进行了建模和时用水量预测，通过与时间序列码角函数分析法，灰色系统理论预测法，小波分析法的预测结果相比较，证实该法具有预测误差小和计算速度快的特点，可满足供水系统调度的实际需要。     

混沌局域法与神经网络组合供水量预测

城市供水量是非线性、非平稳时间序列,组合预测模型能获得更高精度预测结果。通过深入分析混沌局域法与神经网络预测模型特点,提出了一种新的组合预测模型。首先,应用混沌局域法对城市日供水量进行初预测,然后,应用神经网络对预测结果进行修正。由于所提出的组合模型利用了混沌局域法及神经网络进行优势互补,能同时提高预测精度与计算效率。为验证所提出组合预测模型的可行性,采用某市7a实测供水量数据,对混沌局域法、BPNN、RBF及GRNN神经网络4种单一预测模型及相应的3种组合模型预测精度进行定量分析,结果表明,组合预测模型精度都高于对应单一预测模型,混沌局域法与GRNN神经网络组合模型预测精度最高,且运算时间远低于单一神经网络模型运算时间。     

边坡非线性位移预测的动力系统自记忆模型

边坡位移的准确预测对于边坡稳定性评价、边坡安全状态的预警以及滑坡灾害的控制具有重要意义。将"动力系统自记忆原理"引入到边坡位移时间序列预测研究。首先将量测得到的边坡位移时序数据视为描写边坡位移非线性动力学模型的一个特解,采用双向差分原理反导出边坡位移非线性常微分方程。以此作为微分动力核,运用自记忆原理建立了边坡位移预测的自记忆模型。将该方法用于三峡永久船闸边坡和卧龙寺边坡变形预测,研究结果表明:自记忆模型对于边坡位移预测具有较高的预测精度和较强的预测多个时序步位移的能力,从而为边坡位移预测提供了一条新途径。     

Wavelet and ANN combination model for prediction of daily suspended sediment load in rivers

In this research, a new wavelet artificial neural network (WANN) model was proposed for daily suspended sediment load (SSL) prediction in rivers. In the developed model, wavelet analysis was linked to an artificial neural network (ANN). For this purpose, daily observed time series of river discharge (Q) and SSL in Yadkin River at Yadkin College, NC station in the USA were decomposed to some sub-time series at different levels by wavelet analysis. Then, these sub-time series were imposed to the ANN technique for SSL time series modeling. To evaluate the model accuracy, the proposed model was compared with ANN, multi linear regression (MLR), and conventional sediment rating curve (SRC) models. The comparison of prediction accuracy of the models illustrated that the WANN was the most accurate model in SSL prediction. Results presented that the WANN model could satisfactorily simulate hysteresis phenomenon, acceptably estimate cumulative SSL, and reasonably predict high SSL values.     

多元线性回归模型预测重庆市用水量

采用多元线性回归法预测城市用水总量。通过主成分分析确定用水人口、国民生产总值、工业用水重复利用率、年降水量、建成区绿化覆盖率为有效自变量,应用Eviews软件建立数学模型,实现多元线性回归分析。根据残差图检验模型的有效性,结果表明模型回归效果良好,可为准确预测城市用水量提供参考。     

Probabilistic prediction of urban water consumption using the SCEM-UA algorithm

Prediction of urban water consumption can help to improve the performance of water distribution systems. Despite the obvious presence of uncertainty in measurements and in assumed model types/structures, most of the existing water consumption prediction models are developed and used in a deterministic context. Methods for more realistic assessment of parameter and model prediction uncertainties have begun to appear in literature only recently. A novel application of the Shuffled Complex Evolution Metropolis algorithm (SCEM-UA) for the calibration of a water consumption prediction model is proposed here. The model is applied to a case study of the city of Catania (Italy) with the aim to predict daily water consumption. The SCEM-UA algorithm is used to calibrate the parameters of the artificial neural network based prediction model and in turn to determine the associated parameter and model prediction uncertainties. The results obtained using the SCEM-UA ANN approach were compared to the corresponding results obtained using other predictive models developed recently by the authors of the paper. When compared to the these models, the SCEM-UA ANN based water consumption prediction model shows similar predictive capability but also the ability to identify simultaneously the prediction uncertainty bounds associated with the posterior distribution of the parameter estimates.     

Monthly water demand prediction using wavelet transform,first-order differencing and linear detrending techniques based on multilayer perceptron models

In this study, combined Discrete Wavelet Transform-Multilayer Perceptron (DWT-MP), combined First-Order Differencing-Multilayer Perceptron (FOD-MP) and combined Linear Detrending-Multilayer Perceptron (LD-MP) were developed and compared with stand-alone Multilayer Perceptron (MP) model for predicting monthly water consumption of Istanbul. The performance of these models were assessed by using coefficient of determination (R²), root mean square error (RMSE) and the Nash-Sutcliffe coefficient of efficiency (CE) as evaluation criteria. The study showed that DWT-MP could be used for forecasting the monthly water demand of Istanbul for only up to prediction lead-time of 3 months. However, FOD-MP was found to perform very well up to 12 months. It can be concluded from the results of the study that First-Order Differencing (FOD) is a reliable pre-processing technique for monthly water demand prediction.     

局域法邻近点选取对供水量预测精度的影响

混沌局域法预测模型适用于非线性、非平稳的城市日供水量预测,而邻近相点个数的选取对该模型预测精度有直接影响。传统方法通常以嵌入维m作为参考值,凭经验选取m+1个邻近相点,且仅使用欧式距离法计算当前相点距离,无法反映相点的运动趋势,易引入伪邻近相点,导致预测精度的降低。鉴于此,将演化追踪法引入城市日供水量预测,通过挖掘邻近相点的历史演化规律对参考样本进行优选,以提高预测精度。最后,采用实际日供水量数据验证所提出方法,结果表明,运用演化追踪法优选邻近相点能显著提高日供水量预测精度,预测平均绝对误差由2.501%降低到1.683%。     

基于粒子群优化算法的城市日用水量预测模型

结合城市日用水量影响因素的特点和变化规律，建立了城市日用水量预测模型，采用粒子群优化算法优化BP人工神经网络的连接权值，以求解该预测模型。经优化后的BP人工神经网络运算速度快、泛化能力强、预测精度高。实例验证结果证明该日用水量预测模型和求解方法是可行的。