共查询到18条相似文献,搜索用时 218 毫秒
1.
2.
3.
4.
针对传统GM(1,1)模型在用水量预测方面对非增长序列预测精度差、出现过拟合等问题,采用结合马尔可夫链修正的残差灰色模型预测生活用水量。首先在传统灰色理论预测的基础上,建立了改进残差灰色预测模型:对残差绝对值建立灰色模型,再结合马尔可夫状态转移矩阵判断残差预测值在tn时的正负号,对灰色预测值进行修正。将模型运用于河南省2007—2018年生活用水量预测,结果表明,传统灰色预测模型与改进残差灰色预测模型的平均相对误差分别为4.14%、2.04%,改进残差灰色预测模型的精度等级为"良";同时,改进后模型的后验方差也小于传统模型。这表明改进模型比传统灰色预测模型有更高的精度,拥有更好的可靠性,可以为用水量预测提供新的方法。 相似文献
5.
为解决先验数据有限情况下北方Q水库的水质预测问题,提出一种以马尔可夫方法进行修正误差的BP神经网络预测模型.针对Q水库的水质特点,使用总氮作为参考序列,对常规指标进行灰色关联分析,以确定神经网络的输入向量.选择同总氮关联度较大的氨氮、总磷以及总氮本身作为输入向量,以总氮为输出向量,应用BP人工神经网络,对总氮浓度进行预测.将神经网络测试样本的相对误差序列作为马尔可夫方法的状态集,对检验样本的相对误差状态进行预测.根据相对误差结果对BP神经网络预测值进行修正.结果表明,该方法能有效改进预测结果,提高精度. 相似文献
6.
7.
灰色理论及神经网络组合模型在水质预测中的应用 总被引:1,自引:0,他引:1
利用灰色理论和神经网络的组合式模型实现了对原水水质的预测。它分析了水质数据的影响因素多,水质变化的非线性等特点,同时考虑灰色理论的单变量预测优势以及神经网络能有效处理数据的非线性、模糊信息的特点,提出使用灰色理论模型GM(1,1)对水质数据进行建模,再使用BP神经网络对实际值和预测值的残差进行建模,最后叠加上述两个模型,实现灰色神经网络组合式水质预测模型。通过对某水厂水质的预测值和实际值的比较,表明该模型对水质有较高的预测精度。 相似文献
8.
9.
城市需水量预测是区域水资源规划及优化配置的基础内容。在基于灰色GM(1,1)模型预测城市需水量总体趋势的基础上,引入加权马尔可夫链预测理论,建立了加权灰色马尔可夫GM(1,1)预测模型。该模型既考虑了GM(1,1)模型较强的处理单调数列的特性,又考虑了通过相对误差的状态转移概率矩阵的变换提取数据随机波动响应的特点。成都市城市需水量预测结果表明:加权灰色马尔可夫GM(1,1)模型充分利用需水量数据给予的信息,实现了对相对误差的状态转移的预测,并提高了修正灰色模型预测值的精度;通过与其它2种灰色预测模型预测结果比较,加权灰色马尔可夫GM(1,1)模型精度更高,预测得到2012年和2013年成都市城市需水量分别为74 250.91万m3和79 818.34万m3,呈明显增长趋势。因此该模型提高了随机波动较大数据序列的预测精度,拓宽了传统灰色模型预测的应用范围,更具科学性。 相似文献
10.
王君 《水科学与工程技术》2010,(5)
基于灰色预测理论,建立了残差灰色预测模型与等维递补预测模型两者相结合的组合灰色预测模型,可以对城市用水量进行预测。以新疆阿克苏市1990~2002年用水量作为建模数据,利用4种不同模型分别对2003~2005年用水量进行预测。结果表明:组合灰色预测模型预测精度明显高于单一的灰色模型,具有预测精度高、简捷实用等特点。 相似文献
11.
研究了改进的不等时距灰色马尔科夫模型在边坡位移预测中的应用,先用S型函数对厦门某边坡的实测数据进行平滑处理,然后用平滑后的数据建立不等时距灰色GM(1,1)模型,最后用改进的计算公式求得马尔科夫模拟值和预测值。结果表明改进后的不等时距灰色马尔科夫GM(1,1)模型的拟合精度和预测精度有了很大的提高,对边坡稳定性预测有一定的参考价值。 相似文献
12.
针对灰色模型在建模过程中受到随机扰动影响这一问题,利用马尔科夫模型预测波动性数据准确的优势,对灰色模型进行改进,并应用于大坝变形预测计算与分析。结果表明,改进的灰色马尔科夫模型对存在扰动数据的大坝变形预测中,可以获得较好的预测效果,提高预测精度。 相似文献
13.
14.
15.
16.
Mehdi Rezaeianzadeh Alfred Stein Jonathan Peter Cox 《Water Resources Management》2016,30(7):2245-2259
Water resources management is a complex task. It requires accurate prediction of inflow to reservoirs for the optimal management of surface resources, especially in arid and semi-arid regions. It is in particular complicated by droughts. Markov chain models have provided valuable information on drought or moisture conditions. A complementary method, however, is required that can both evaluate the accuracy of the Markov chain models for predicted drought conditions, and forecast the values for ensuing months. To that end, this study draws on Artificial Neural Networks (ANNs) as a data-driven model. The employed ANNs were trained and tested by means of a statistically-based input selection procedure to accurately predict reservoir inflow and consequently drought conditions. Thirty three years’ data of inflow volume on a monthly time resolution were selected to enable calculation of the standardized streamflow index (SSI) for the Markov chain model. Availability of hydro-climatic data from the Doroodzan reservoir in the Fars province, Iran, allowed us to develop a reservoir specific ANN model. Results demonstrated that both models accurately predicted drought conditions, by employing a randomization procedure that facilitated the selection of the required data for the ANN to forecast reservoir inflow close to the observed values over a validation period. The results confirmed that combining the two models improved short-term prediction reliability. This was in contrast to single model applications that resulted into substantial uncertainty. This research emphasized the importance of the correct selection of data or data mining, prior to entering a specific modeling routine. 相似文献
17.
18.
渗压水位极值预测是监控土石坝安全的主要途径之一,目前用于渗压水位极值预测方法需给出正确的自变量。渗压水位极值最主要的影响因素是上游水位,当渗压水位极值与上游水位相关性弱时,预测模型准确度低。提出一种仅考虑测值序列、不考虑自变量的渗压水位极值预测及评价方法。该方法基于最大Lyapunov指数建立预测模型,利用马氏链的遍历性和平稳分布对该无自变量模型进行评价。算例表明:对于与自变量相关性弱的渗压水位极值,预测模型的预测效果优于常规方法,误差评估模型评价合理。基于混沌理论和随机过程的预测模型及评价方法能形成一套精度较高、实用性强的序列预测及评价方法,覆盖常规预测方法的弱能力区域,可用于建立自变量不明确的测值序列预测模型。 相似文献