演化追踪法优化相空间的SVM供水量预测模型

相空间重构的支持向量机预测模型应用十分广泛,在城市供水量预测方面也占据着重要地位,传统的预测模型趋向于将重构的相空间整体带入,这样可能存在引入无效相点从而影响预测精度的问题,基于此将演化追踪法引入相空间重构的预测模型对有效相点进行筛选,优化预测模型的训练样本,达到提高预测精度目的。利用MATLAB编程软件将演化追踪法用于城市供水量的预测,预测结果的平均绝对误差由0.52%降低到了0.29%,证明了演化追踪法的可利用性与有效性。     

综合法优选局域邻近点的供水量预测模型

基于混沌理论的局域法是目前较先进的预测技术,对于非线性、非平稳特征较强的城市日供水系统的预测,通常混沌局域法更适用。混沌局域法的日供水量预测,最重要的就是对历史信息的利用,即对邻近点的选择和利用,但在运用混沌局域法对城市日供水量预测时却鲜有人考虑邻近点选取问题,或仅考虑邻近点个数与邻近点位置中的一个,很少没有人将2种情况综合考虑的研究。据此,运用BIC信息准则和衰减系数相结合对相空间重构进行数据挖掘,优选混沌局域法的邻近点,并用该模型对实际水厂日供水量进行了预测。结果表明,运用该方法能显著提高日供水量预测精度,预测平均绝对误差仅为1.06%,说明该综合法是可行的。     

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。     

基于多粒度泄漏积分回声状态网络的日供水量预测

针对多粒度因子耦合对城市日供水量产生的不确定性影响，提出一种基于多粒度挖掘与泄漏积分型回声状态网络（LiESN）的组合预测模型X11+LiESN，以提高城市日供水量预测精度。利用重庆市某水厂2018年1月1日—2020年12月31日的日供水量数据对该方法进行有效性验证。结果表明，所提出模型的平均绝对百分比误差（MAPE）为3.42%，决定系数（R2）为0.862。与单一的LiESN、极限学习机（ELM）和BP神经网络（BPNN）相比，该模型预测精确度高，能够更好地描述日供水量变化趋势，显示出了其有效性和应用潜力。     

GA-SVR模型用于日供水量预测的研究

针对日供水量预测问题,提出一种基于遗传算法的支持回归向量机(GA-SVR)模型。以H市为例,采用GA-SVR模型对日供水量进行了预测,并与BP模型和SVR模型的预测值进行了比较。结果表明,H市日供水量预测值与实际值的误差均小于5%,且GA-SVR模型的预测精度高于BP模型和SVR模型。由此可见,GA-SVR模型是一种有效的预测日供水量的方法。     

用回归—马尔柯夫链法预测供水量

目前最常用的城市供水量预测方法,除回归分析法外,还发展了用灰色理论的预测等方法。 以最小二乘法为基础的回归分析法是一种因果关系的预测法,一般具有较好的预测总体趋势的能力,对于随机干扰不严重的情况下,具     

基于多分辨BP神经网络的城市日供水量预测模型

鉴于BP神经网络预测城市日供水量的不足,提出了基于多分辨BP神经网络预测模型。通过离散小波变换将日供水量序列的复杂特性转化为不同尺度下的单一特性,并分别进行BP神经网络预测。针对日供水量的混沌特性,对其进行相空间重构,重构后的时间序列为网络输入。应用实例表明,与单一BP神经网络相比,多分辨BP神经网络可更好地反映序列细节和变化特性,具有更高的预测精度,平均绝对百分比误差为1.481%。     

滨海新区水资源供需量预测及用水结构特点分析

需水量及供水量是城市用水和供水系统进行规划和配置的主要依据,为保证城市水资源供需平衡,需对城市需水及供水量运用科学准确的方法进行预测。根据滨海新区发展规划及产业布局,在调查研究的基础上,选择合理的用水量指标,首先对滨海新区2020年城市需水量进行预测,并对预测结果进行合理性分析,同时利用滨海新区多水源可利用性分析成果对滨海新区各类供水量进行预测,最后根据上述预测成果对滨海新区用水结构及用水特点进行分析。结果显示,2020年滨海新区城市预测需水总量和用水总量均为12.69×108m3,其中需水量与天津城市供水规划中相比稍大10%,相比2010年则年均增长11.46%,预测结果在合理范围内。     

海底开采岩层变形混沌时序重构与安全预警系统研究

对海底金矿床开采过程中不同高度岩层位移进行了监测,对岩层变形时间序列重构相空间,用混沌理论揭示了不同高度岩层位移在相空间中的相点距离演变规律。用神经网络建立了岩层变形相空间相点距离演化预测模型,预测了新立矿区海底开采岩层变形,并建立了海底开采岩层变形安全预警系统。采用梯度下降法与混沌优化方法相结合方法训练神经网络,使神经网络预测模型实现快速训练的同时,避免陷入局部极小,同时提高了模型计算精度。研究表明,岩层变形表现出混沌特征,对其相空间重构后,岩层变形的细微变化特征被放大,其内在规律能得到充分展示,为建立海下开采安全预警系统提供了基础。     

Logistic模型在基坑沉降预测的应用研究

基坑开挖全过程的地表沉降量可用Logistic生长模型来描述。考虑到模型适用范围和预测精度等问题,结合工程实例,比较了模型中参数K的三种估计方法．并用线性回归获得另外两个参数α、r,应用结果表明：三种方法拟合精度都较高,其中以三点法最优;在沉降发展的时间预测上,根据模型的数学意义,以拐点法最优三点法和四点法预测效果不理想。     

Daily urban water supply modeling and forecasting based on the elliptic orbit model with weekly quasi-periodic extension

ABSTRACT

Modeling and forecasting for various time horizons of urban water supply are important for different operations within a utility company. This study proposes the ‘elliptic orbit model’ for daily urban water supply prediction from the viewpoint of time-series analysis. As additional efforts and costs are required to acquire and predict more different forecast variables, it is argued that many studies failed to carefully check whether such efforts and costs were deserved and to what degree they might ameliorate the prediction accuracy. Thus predictive modeling based on available water supply data has its own advantages. Only the water-supply time-sequence data is used and mapped into the polar coordinates to design the proposed ‘elliptic orbit model’, so the purpose of this study is to present one vivid approach for forecasting daily urban water supply in an intuitive and concise way. The proposed model archives satisfying experimental results and may inspire other applications.     

基于遗传优化神经网络的市政管网水质模型研究

将遗传算法的全局搜索能力和BP神经网络的局部学习能力有机结合,得到一种快速高效的建立供水管网余氯的水质模型的新方法。验证结果表明,遗传算法优化后的神经网络模型所需要考虑的参数较少,应用方便,预测精度和效率较高,在城市给水系统水质模拟预测研究中有一定的参考应用价值。     

Predicting the presence of E. coli in tap water using machine learning in Nepal

Within developing countries, a multitude of problems that affect the water supply process can result in the contamination of water taps. While machine learning applications have become popular for attaining efficient water quality predictions, acquiring the necessary data for modelling for developing countries is challenging. This study constructs water quality prediction models by machine learning with a pseudo-pipeline network to complement the missing data of the water supply process. Using both water source and water tap quality information measured by the Government of Nepal, we apply the three machine learning models: support vector machine (SVM), random forest (RF) and LightGBM. Furthermore, we also apply a traditional statistical method—logistic regression (LR)—to the prediction of the Escherichia coli (E. coli) contamination in water taps. With some input variables (such as the length from the nearest sources) obtained from the pseudo-pipeline network, the results show that SVM has stable and high accuracy for both the 26 cities (70%) and for the 25 cities except for Kathmandu (79%). LR performed a significantly lower accuracy for all cities (61%) than for 25 cities (79%). Additionally, we show that our method can be applied to other regions where a water quality survey has not yet been conducted.     

系统动力学模型用于城市需水量预测

将系统动力学方法运用于城市需水量预测,其建立的模型可以全面地考虑各种主要因素对城市需水量的影响,较好地解决社会及经济发展水平等影响城市需水量预测所产生的误差问题.结果表明,应用系统动力学模型预测城市需水量,系统性强,预测结果准确度高.     

不确定水质模型在城市河流水质模拟中的应用

鉴于城市景观河流受沿河排水污染,水质波动较大,建立了内嵌神经网络的一维不确定性水质模型,利用改进适应度函数的遗传算法,优化水质模型的参数解.经实例验证,不确定性水质模型拟合的精度更高,对排入污染物的波动更敏感,其对景观河流水质预测的平均准确度基本在80%以上,普遍高于确定性水质模型,尤其是在靠近污染源的监测断面,其不确...     

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。     

城市供水水量预测模型研究及案例分析

从分析城市用水量的变化规律着手,给出了城市用水量预测的常用模型,并以此为基础分析了选择用水量预测模型时所需考虑的影响因素,然后以铜陵市日用水量预测为例,建立了三阶自回归预测模型,最后分析了铜陵节假日用水量预测模型,为供水系统管理的良好调度提供了数据依据。     

应用实用动态组合模型预测城市日用水量

将时间序列中的日用水量历史数据引入以温度等作变量的回归分析模型，建立了日用水量非线性回归组合预测模型，同时为进一步提高预测精度，用4阶自回归模型对回归残差序列进行时间序列分析，建立了日用水量预测实用动态组合模型。以华北某市日用水量的实测数据对其进行检验，结果表明该模型具有较高的预测精度。