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。     

基于相空间重构的BP神经网络对边坡的位移预测研究

边坡的位移预测对其稳定性的预报具有十分重要的意义,从基于相空间重构的BP神经网络预测方法对位移时间序列进行了分析,对相空间重构的参数延迟量以及嵌入维数进行了论述,将预测结果与传统的BP神经网络模型的预测结果进行了比较。结果表明,基于相空间重构的BP神经网络具有更高的精度,是一种优秀的预测方法。     

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。     

太阳散射辐射逐日预测模型研究

针对于传统的确定性太阳辐射模型不能反映气象变化的弊端,提出了基于回归BP神经网络和小波分析理论的太阳散射辐射逐日预测模型。神经网络具有非线性函数逼近及自组织自学习的能力,基于小波分析在信号处理方面的时频域多分辨特性,本文利用小波变换将太阳散射辐射数据序列进行时频域分解后作为神经网络预测模型的输入样本,实例表明该方法与传统模型相比预测精度高,具有可行性。     

基于BP神经网络改进算法在地铁隧道施工中的沉降预测

为使地铁隧道在施工中沉降监测数据具有一定的预见性,分别采用了BP神经网络改进算法的预测模型、传统BP神经网络预模型以及基于时间序列的三次指数平滑法预测模型对地铁隧道施工中的沉降监测数据进行了预测。对其预测结果进行分析,得出了BP神经网络改进算法模型预测精度优于传统BP神经网络模型以及基于时间序列的三次指数平滑法模型预测精度的结论。     

PSO-SVM与BP神经网络组合预测供水系统余氯的方法

针对余氯量在供水系统内非线性变化的特性,建立了PSO-SVM与BP神经网络组合模型对管网末端余氯进行预测分析。该模型通过粒子群优化算法(PSO),对SVM的特性参数进行优化;采用BP神经网络对模型进行残差修正。通过对单一的BP模型和SVM模型、组合模型的预测精度进行分析。结果表明:组合模型预测比BP和SVM单一预测均方误差分别降低了62.30%、75.29%,平均相对误差降低了55.03%、54.27%。综上所述,该模型具有强大的非线性拟合能力,预测精度高,运行稳定性强,对供水企业控制余氯的投加量和设置二次加氯点有一定的指导作用。     

基于小波神经网络技术的基坑水平位移形变预测

基坑形变预测有助于工程建设决策,为提高形变预测的精度,提出将形变时序进行小波分解重构后进行神经网络预测,并用实测数据进行验证。结果表明:与BP神经网络预测相比,小波神经网络能取得更好的预测效果。     

基于支持向量回归和小波包的供热负荷预测

通过分析影响热网负荷变化的各种因素,对热负荷数据进行预处理,运用小波包变换对负荷序列进行分解,对各子序列分别建立支持向量回归预测模型,最后通过序列重构,得出预测结果。仿真结果表明,该方法比传统BP神经网络和未作小波包分解的支持向量回归法具有更高的预测精度。     

基于改进型BP神经网络的多变量时序预测方法

传统的线性模型难以解决多变量或多输入问题,而神经网络擅长于处理多变量的问题,本文提出一种基于改进型BP神经网络的多变量时间序列预测方法。该方法对多变量时序数据建模预测能力较强,能够在有效减少训练时间的前提下,提高数据预测的精度。最后,使用这种方法对公开数据集中某地电力负荷值进行预测,最终证明基于改进型BP神经网络的多变量时序预测方法预测精准,误差较低。     

基于支持向量回归和小波包的供热负荷预澳

通过分析影响热网负荷变化的各种因素，对热负荷数据进行预处理，运用小波包变换对负荷序列进行分解，对各子序列分别建立支持向量回归预测模型，最后通过序列重构，得出预测结果。仿真结果表明，该方法比传统BP神经网络和未作小波包分解的支持向量回归法具有更高的预测精度。     

基于时序思想BP网络的地铁地表沉降预测

将时间序列分析的思想与BP神经网络模型结合起来,预测了某城市地铁的地表沉降规律,并与时间序列分析、基于反演理论BP神经网络分析的结果进行了比较,结果表明,基于时序思想BP神经网络模型具有很高的精度,能够为地铁沉降变形监测提供参考依据。     

三种神经网络对上证指数预测的研究

对金融时间序列的预测在投资决策以及风险规避中具有重要的意义,其中的股票市场走势预测始终是金融市场预测领域的热点和难点。本文通过对BP神经网络、径向基神经网络和小波神经网络的预测效果进行比较,发现BP神经网络在上证指数预测中具有较高的准确性。     

基于极限学习机算法的大坝沉降预测模型研究

变形分析是大坝安全监测的主要工作。为解决单一预测模型难以考虑影响坝体位移的多个因素进行预测,BP神经网络参数难以确定,本文将极限学习机算法运用到某土石坝异常测点沉降量预测中,通过对比训练期模拟值与实测值,确定了模型参数。预测期模拟值较实测值基本一致,预测效果良好。并与BP神经网络、支持向量机模型就预测精度与稳定性做了对比。     

基于加权组合预测模型的城市用水量预测

介绍了移动算术平均预测法和BP神经网络理论在城市用水量预测方面的应用,并运用组合权系数优化理论,将移动算术平均预测法模型和BP神经网络预测模型进行加权组合。经吉首市实例验证,表明加权组合预测模型较单一的移动算术平均预测法模型和BP神经网络预测模型更全面,计算结果更精确,拟合效果更好。该模型能为我国中小城市用水量预测提供参考。     

城市用水量的混沌特性与预测

采用混沌理论对城市用水量时间序列的混沌特性进行了判定。基于最大Lyapunov指数法,提出了城市用水量短期预测的模型以及多步预测的步骤。实例研究表明,基于最大Lya-punov指数法的预测结果明显好于BP神经网络法,在计算得出的最大可预测时间尺度内预测精度较高,而在最大可预测时间尺度外的预测精度大为下降。     

基于最小二乘法及BP神经网络的盾构故障预测

分析了目前常用的故障预测方法种类及其特点，提出了一种最小二乘法与BP神经网络相结合的预测盾构故障的方法。先构建二者结合的预测模型，进而比较单一BP神经网络的预测结果与最小二乘法和BP神经网络结合的预测结果，结果发现二者结合的预测效果比单一的效果要好。     

基于BP神经网络时间序列方法的辽宁省建筑业经济技术指标预测

应用BP神经网络时间序列对辽宁省建筑业各经济技术指标进行预测,所得结果可为政府管理决策提供科学依据,同时,也可为建筑业自身的改革与发展提供建设性参考.通过一个算例分析,预测辽宁省2005～2015年的建筑业总产值,训练仿真5000次的结果经t检验,在显著性水平为α=0.05时,服从μ=1205.2的正态分布,可见,利用BP神经网络进行建筑业总产值预测效果稳定性良好;同时,预测所得2005年辽宁省建筑业总产值与实际值的误差仅为0.75%,精度很高.由此可知,采用BP神经网络时间序列预测方法进行建筑业经济技术指标预测,结果可信度很高.     

基于粗糙集理论BP网络的地铁深基坑监控预测分析与优化

以25个深基坑工程地表沉降实测资料为训练样本,综合考虑多个主要影响因素,应用粗糙集对次要影响因素进行约简,然后建立地表沉降的7-15-1粗糙集BP(RS-BP)神经网络预测模型对5个检验样本进行预测及预测精度分析,并将该模型与传统BP神经网络预测模型进行对比。结果表明:传统BP神经网络预测其平均相对误差达到15.04%;而RS-BP神经网络预测平均相对误差较小,为5.55%,满足精度要求。因此,基于粗糙集BP神经网络预测模型在预测精度上优于传统BP神经网络预测模型。     

基于时间序列的神经网络建模及边坡位移预测

边坡系统是一个影响因素众多、非常复杂的非线性系统,使得作为边坡内部力学现象外部表现的边坡变形同样具有很强的非线性特征,而神经网络所具有的高度鲁棒性、学习和联想记忆功能及数据挖掘等特性,对诸如存在内在联系的单时间序列的边坡位移预测有着较大的优势.以此为出发点,通过对单时间序列特点的分析,构造了基于单时间序列的神经网络预测模型,并以渝黔高速公路某边坡位移实际监测数据为例进行了计算.研究结果表明,通过挖掘边坡位移序列中的隐含信息,运用单时间序列BP神经网络进行边坡位移预测是完全可行的,预测平均误差仅为2.72%,预测结果与实际情况吻合度较高.最后通过与传统灰色理论预测方法进行对比发现,该方法预测效果明显提高,预测误差平均降低了近8倍.