局域法邻近点选取对供水量预测精度的影响

混沌局域法预测模型适用于非线性、非平稳的城市日供水量预测,而邻近相点个数的选取对该模型预测精度有直接影响。传统方法通常以嵌入维m作为参考值,凭经验选取m+1个邻近相点,且仅使用欧式距离法计算当前相点距离,无法反映相点的运动趋势,易引入伪邻近相点,导致预测精度的降低。鉴于此,将演化追踪法引入城市日供水量预测,通过挖掘邻近相点的历史演化规律对参考样本进行优选,以提高预测精度。最后,采用实际日供水量数据验证所提出方法,结果表明,运用演化追踪法优选邻近相点能显著提高日供水量预测精度,预测平均绝对误差由2.501%降低到1.683%。     

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。     

高边坡开挖变形的非线性时间序列预测分析

在岩体高边坡开挖过程中,可以得到现场的位移监测数据,如何利用现场监测数据来预测高边坡的开挖变形是一件很有实用价值的工作。根据高边坡开挖变形时间序列的非线性特征,应用局域法对三峡高边坡的位移进行了预测分析。把局域法的思想引入到神经网络中去,按照寻找邻近点的原理构造出训练样本,通过神经网络得到的预测值与局域法得到的预测值很接近,并且可以大大地节约计算时间。计算结果表明,对于岩土体工程中的一维监测数据,通过非线性时间序列分析方法可以对其进行预测分析,该方法具有较高的实用价值。     

基于混沌时序预测方法的冲击地压预测研究

冲击地压的预测研究通常是通过监测对冲击地压的发生、发展过程比较敏感的指标来进行的，监测指标值的大小和变化规律是进行预测的基础，监测数据在未来一定时期的峰值变化和走势变化规律对于预测过程具有重要意义。首先，通过对互信息和伪邻近点数的计算，确定观测序列的延迟时间和嵌入维数等相空间重构参数；然后，在对观测序列相空间重构的基础上，运用一阶局域近似法和基于最大Lyapunov指数法等混沌预测方法对冲击地压上作面的观测时间序列进行数学建模，并与传统的数理统计预测方法进行对比分析；最后，用实例对冲击危险区域的电磁辐射序列及顶板下沉速度序列等进行预测运算和分析，其结果表明，运用混沌理论的预测方法可达到较高的预测精度。     

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%。     

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。     

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。     

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。     

西安市天然气冬季短期负荷预测研究

通过验证西安市冬季天然气门站小时流量时间序列的混沌特性,利用改进的混沌时间序列负荷预测方法,进行了小时流量短期预测。冬季天然气门站流量时间序列可以分解为周期与混沌两种子模型的线性叠加,针对混沌子模型引入加权一阶局域法进行混沌短期负荷预测,提高了总负荷预测精度。     

城市供水量预测的数学模型

考虑到时间、温度、水价对供水量的影响,建立了城市供水量预测的差分阻滞模型和神经网络模型,并对其预测结果进行了比较.结果表明:各模型都是可行的,且预测精度很高.考虑到用水负荷的从众心理和水价对个体用水量的影响,利用元胞自动机模型对水价与城市供水量之间的关系进行了模拟,模拟结果表明当社会从众心理一定时,水价的调整对供水量的影响有一个最有效的范围.