城市用水量预测

本文引用柯布——道格拉斯生产函数建立城市用水量预测模型,并以某市为背景作了实例计算,分析了城市居民消费水平、居住面积以及工业总产值的增长对该市2000年和2010年用水量的影响。     

浅谈城市用水量预测

据世界银行和国内有关机构测算,上世纪90年代中期,中国的经济增长有2/3是在对生态环境透支的基础上实现的。在经过20 a以上的经济快速增长之后,我国经济总量已居于世界第7位,但经济的快速发展却是以对资源过度消耗为代价。据统计2003年,我国GDP占世界总量的4%,却消耗掉世界总水     

城市年用水量灰色预测研究

灰色预测模型要求原始数据序列满足指数规律,而实际上城市用水波动性大,无典型指数趋势变化,而一般呈代数曲线形式变化,因此本文提出了改进的灰色模型在城市年用水量预测中的应用,改进的灰色预测模型主要基于灰色预测模型一次累加的建模思路。将改进的灰色预测模型用于某城市的年用水量预测,结果表明:改进的灰色预测模型与传统的灰色预测模型相比,平均相对误差以及原点误差均较小,可用于该市的年用水量预测,为该市年用水的宏观调控与用水规划提供参考。     

基于灰色理论的城市用水量预测

运用灰色预测理论建立用水量的GM(1,1)模型,以邯郸市区历年用水量为原始数据序列进行预测,用后验差法检验模型精度。该模型实质上是一个指数型函数,其预测效果很大程度上取决于原始数据的特点,要求时间序列近似指数规律变化或者说要求数据总体上呈单调较平缓变化,而不是周期性或无序性变化。     

城市年用水量的分类预测探析

在对某市年用水量随机时间序列原始数据进行预处理的基础上,发现该市年生活用水量的一次累加时间序列数据具有明显的线性趋势;工业年用水量一次累加用水时间序列服从一元多项式。将该市年总用水量分为工业、生活、其他三类进行分类预测,分别用一次累加乘幂指数预测、一次累加一元多项式预测对该市生活和工业年用水量进行了预测,复相关系数达0.99。为便于分析比较,对该市年总用水量预测上采用对年用水量预测效果较好的灰色预测模型进行了预测。结果表明:分类用水量预测比总体用水量预测具有精度高,结果稳定的特点,可用于该市的年用水量预测。     

城市年用水量的分类预测探析

在对某市年用水量随机时间序列原始数据进行预处理的基础上,发现年生活用水量的一次累加时间序列数据具有明显的线性趋势.分别用一次累加乘冪指数和一次累加一元多项式对该市工业和生活年用水量进行了预测,复相关系数达0.99.为便于分析比较,采用对年用水量效果较好的灰色预测模型进行了年总用水量预测.结果表明:分类用水量预测比总体用水量预测具有精度高,结果稳定的特点,可用于年用水量预测.     

基于神经网络的城市日用水量预测

分析了影响城镇日用水量的非线性因素,利用人工神经网络,选择影响城市日用水量的主要因素。建立城镇日用水量预测模型,并将该模型的预测效果与传统的日用水量模型预测效果进行比较,结果显示该模型的预测精度更高、所需时间更短、更适用于影响因素较多的城市日用水量的预测。     

用灰色动态模型预测城市用水量

在世界水资源发生严重危机的今天,人们更加认识到城市用水量预测的必要性和重要性。城市用水量的预测就是根据城市迄今为止已知的用水量及与此相关的其它资料来分析未来某一时刻(时段)用水量的过程。通过预测,为城市社会经济的发展、水资源的开发分配、水污染控制乃至社会经济的规划等提供必要的信息。 灰色系统是相对黑色和白色系统而言。黑色表示信息缺乏,白色表示信息充足,而灰色系统是指系统中既含有已知信息又含有未知或     

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。     

遍历灰色模型对城市用水量的预测

考虑到原始序列中个别值的偶然波动影响传统GM(1,1)模型的预测精度,基于GM(1,1)模型的基本原理,构造了遍历灰色模型T-GM(1,1)。结果表明,T-GM(1,1)大大提高了模型的预测精度,将原始序列中不确定因素对预测精度的影响降到了最低,具有广泛的实用性。     

基于遗传神经网络的城市用水量预测研究

介绍了BP(误差反向传播算法)和GA(遗传算法)及GA-BP 3种神经网络,并以此分别对城市用水量进行预测.实验结果表明,基于GA-BP算法的神经网络方法应用于城市用水量的预测问题,能采用遗传学习算法优化BP神经网络模型的初始权重,即先利用遗传学习算法进行全局训练,再用BP算法进行精确训练,使网络收敛速度加快和避免局部极小.GA-BP神经网络在收敛速度和预测精度等方面均优于BP和GA网络,从而为未来短期城市用水量负荷的准确预测提供了新的思路与方法.     

基于PSO-GRNN方法的城市用水量短期预测

鉴于城市用水量短期预测中传统的神经网络训练易陷入局部极小点、收敛速度较慢等问题,采用具有全局随机优化思想的PSO算法对GRNN神经网络径向基函数的扩展速度进行优化,提出了城市用水量的PSO-GRNN神经网络预测方法。根据某市日用水量的实测数据进行建模和预测,通过与最小二乘模型、核估计模型、局部线性估计模型的模拟效果进行对比表明：PSO-GRNN网络具有较强的自适应能力和泛化能力,能够有效地提高用水量的预测精度。     

国土空间规划背景下广州市城市用水量预测

以编制《广州市供水系统总体规划(2021～2035)》为契机,对广州市近十年的用水量情况进行剖析,结合新一轮国土空间规划对广州市城市定位、人口规模等要求,考虑当前管网漏损控制等节水政策,采用城市综合用水量指标法、综合生活用水比例相关法、年增长率法、灰色模型模拟法分别对广州市近远期的最高日用水量进行预测,同时对11个行政...     

BP网络在城市用水量预测中的应用

随着城市工业的发展，城市用水量与日俱增，许多城市不得不扩充水源、扩建管网，但如果规划不科学就可能造成许多重复性投入，因此，在城市建设规划及供水系统的建设管理中，未来城市用水量是一个不可缺少的参考因素，而建立或选择合理的预测模型则是问题的关键。常用的预测方法可分为两类：一类是解释性预测方法，即找出被预测量的各影响因素，建立回归分析模型；另一类是时间序列分析方法，它是依据被预测量的历史观测数据，通过序列分析，找出其顺序变化规律。近年来，人工神经网络理论迅速发展，并在模式识别、评价、预报等领域得到了广…     

城市用水量预测方法及应用比较研究

为了建立城市用水量预测方法模型库，本文总结了城市用水量的预测方法。详细介绍了时间序列分析法、解释性预测方法、灰色GM（1，1）以及用水定额法等几种代表性方法。指出每种方法的优缺点，城市用水量预测应根据实际情况选取预测方法。以郑州市为例，选取不同的方法进行预测及分析，结果表明郑州市2020年之前的用水量呈现非线性递增的趋势。     

GM组合模型用于城市生活用水量预测

以天津市为例,采用GM组合模型预测城市生活用水量,力求提高预测的精度。首先,通过对往年城市用水特点的分析,运用多元逐步回归的方法和等维灰数递补动态模型对天津市城市生活用水量进行预测,预测的平均误差分别为7.59%和11.55%;然后,采用上述两种模型的GM组合模型对天津市城市生活用水量进行预测,预测的平均误差降低为5.06%。实践证明,GM组合模型适用于城市生活用水量的预测,精度令人满意。     

城市用水量预测中的多变量灰色预测模型

当观测资料的数据量少,而又存在多个相互影响或关联的变量时,常用的灰色预测模型GM(1,1)不能全面考虑多个变量。采用自适应MGM(1,n)模型———多变量灰色预测模型,较好地解决了这一问题。MGM(1,n)模型是GM(1,1)模型在n元多变量情况下的推广,通过联立求解n个n元微分方程,使模型中的参数能够反映实际工程或社会系统中多个变量间相互影响、相互制约的关系。以杭州市用水量统计资料为研究对象,运用灰色理论建立MGM(1,n)模型,获得了较好的预测效果。     

人工神经网络在城市用水量预测中的应用进展

人工神经网络是一门新兴的交叉学科,用人工神经网络能解决很多传统方法无法解决的问题。从20世纪90年代开始把神经网络模型引入到用水量预测中,已对其进行了大量的研究。对人工神经网络在城市用水量预测中的应用现状进行了介绍,并指出目前应用中存在的主要问题及今后的研究方向。     

灰色模型在城市用水量预测中的应用

城市年用水量为城市建设规划以及供水管网改扩建提供依据.我国城市年用水量序列特点是记录时间短,记录数据少.针对我国城市年用水量数据序列的这种特点对其进行分析研究,利用灰色系统理论,建立预测年用水量GM(1,1)模型,并以湖州市年用水量数据为原始数据进行了实际预测,取得了较好的预测效果.