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。     

基于SPSS多元回归分析的城市地下水用水量预测

以张家口市为例,基于SPSS软件,应用多元线性回归分析原理及模型,对张家口市地下水用水量预测进行研究.该模型的最大误差为1.91％,最小误差为0.22％,平均误差为0.57％,模拟情况良好.通过研究,对地下水资源的合理配置、有效利用意义重大.     

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.     

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。     

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     

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。     

城市日用水量预测的组合动态建模方法

本文根据城市用水量的影响因素及特点，利用统计预测理论，建立了日用水量的动态组合模型。通过逐步回归分析方法剔除次要影响因素，并采用卡尔曼滤波方法动态预测回归残差项。经沈阳市实例验证，该法预测误差小，可满足供水系统调度的实际需要。     

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。     

基于卡尔曼滤波模型的时用水量预测

针对时用水量存在周期性特点,引入季节因子,鉴于时用水量是非线性非平稳系统,而采用卡尔曼滤波季节模型对时用水量进行模拟.以杭州市实测用水量为例,分别采用卡尔曼滤波模型和卡尔曼滤波季节模型进行时用水量预测,结果表明,季节模型预测精度相对较高,且预测误差相对稳定,较卡尔曼滤波常规模型更具有实用性.     

贝叶斯神经网络在城市短期用水预测中的应用

严格水资源管理制度实施的背景下,短期用水量预测对城市供水系统调度的作用日益显著。在分析日用水量时序演化规律及随机性影响因素的基础上,以前7天每日用水量、日最高温度、当月用水量占全年比、日降水量、节假情况作为短期用水量预测指标,构建了BP神经网络城市短期用水量预测模型,并利用贝叶斯正则化对BP神经网络进行优化。将两种模型应用于广州市某自来水公司进行对比验证,结果表明,贝叶斯神经网络预测模型与BP神经网络预测模型的平均绝对百分比误差分别达0.87%与1.85%,经贝叶斯正则化的BP神经网络模型泛化能力更强,精度提高了约0.98%,更符合城市短期用水量预测的高精度要求。     

基于多智能体的城镇家庭用水量模拟预测分析

提出了基于多智能体的城镇家庭用水量模拟模型(MA-UHWDS),通过构造不同发展情景,对家庭用水量变化趋势及其影响因素进行了分析。以青岛市为实证城市,采用2003—2012年统计资料,计算分析了居民用水边际消费倾向、基本用水需求和不同收入户人均用水量,并对不同情景下2013—2022年各类收入户人均用水量和城镇家庭用水总量进行了定量模拟预测分析。结果表明:2003—2012年中,城镇家庭平均水费支出占总消费支出的比重仅为0.395%,易造成居民节水意识淡薄,最低收入户人均用水量除2008年外均低于基本需水量,而最高收入户平均超过基本需水量14.16 m3,水价改革需综合考虑低收入家庭的支付能力和高收入家庭的过度用水;2022年7类收入户在水价高增长收入低增长情景下的人均用水量与在水价低增长收入高增长情景相比下,分别减少了16.7%、18.4%、18.1%、16.1%、15.0%、17.8%和13.8%,水价和收入会明显影响家庭用水量。MA-UHWDS为区域用水总量调控提供了新的研究思路和工具。     

基于遗传-神经网络的城市需水量预测方法研究

为了实现城市可持续发展，城市需水量预测极为重要。针对目前常用的灰色预测方法，从建模机理出发，指出了灰色建模中存在的不足。本文将人工神经网络原理引入城市需水量预测中，并针对BP网络收敛速度慢、易陷入局部极小的缺陷，提出了基于GA和BP的预测模型，实例研究表明该模型是一种行之有效的城市需水量预测模型。     

组合法在河涌水质预测中的应用

利用组合预测技术,在SP模型与RBF模型的基础上,构建BOD、DO的组合模型,并应用于番禹市桥河涌水质预测中,结果表明,组合预测模型的预测误差最小,预测精度明显提高,即组合预测法在复杂水环境中BOD、DO的预测是更有效。     

改进的偏最小二乘法在青海省农业用水预测中的应用

根据2000—2009年影响青海省农业用水的11个因子的基础数据,建立偏最小二乘回归模型,考虑到模型的实用性和准确性,运用后退法对偏最小二乘法进行改进,剔除了5个不需要的变量,得到了拟合精度更高的结果。选取2010—2013年数据进行模型检验。结果表明:运用偏最小二乘法预测的结果与实际情况贴近,并且改进的模型的贴近度更高。通过模型的应用,可以看到偏最小二乘法在青海省农业用水预测中有较好的应用价值,并且改进后的偏最小二乘法简化了模型,提高了预测精度,为青海省的农业用水预测提供了依据。     

3种用水量预测方法在京津冀地区的适用性比较

本文比较了年增长率法、自回归模型法和灰色神经网络法3种常用的用水量预测方法在京津冀地区年用水量预测中的适用性,基于优选的方法对京津冀2019-2025年的年用水量进行了预测.结果表明,北京、天津和河北省1997-2018年的年用水量呈现不同的变化趋势:北京和天津的年用水量呈先减少后增加的非线性变化趋势,而河北省的年用水...     

基于LSTM神经网络的水电站短期水位预测方法

针对常规水位预测方法信息挖掘能力不足和启发式算法机理不明确等缺点,提出了一种基于长短时记忆(long short-term memory, LSTM)网络的水位预测方法。该方法采用水位和出力等直接监测数据,避免了出入库流量等间接计算值带来的二次误差,进而提升水位预测的准确率;采用梯度下降法与Broyden-Fletcher-Goldfarb-Shanno (BFGS)算法相结合训练模型,Wolfe-Powell线搜索方法选取步长,提高模型收敛速率。将该方法用于葛洲坝水电站的上下游水位预测,结果表明,该方法能够实现下游水位连续6 h和上游水位连续3 h的准确预测,具有较高的预测精度和实用性,为葛洲坝水库的实时调度提供了技术支撑。