神经网络在城市用水量预测中的应用研究

考虑城市用水量受众多因素影响 ,具有系统稳定性和非线性的特点 ,探讨了基于神经网络的城市用水量预测的非线性时间序列递推预测方法 ,并利用该方法对郑州市城市用水量进行了时间序列模拟 ,实例证明了该方法的正确性和科学性 .将神经网络的BP算法应用于城市用水量系统的建模和预测 ,并给出了较为详细的计算结果 ,具有一定的理论价值     

城市用水量的综合动态预测建模方法

基于BP神经网络，建立了一种综合时间序列分析和多元分析特点的动态水量预测模型，模型除了将影响用水量的因素作为输入节点之外，还将预报日前2d的用水量作为输入节点，使得模型不但反映了用水量与影响因素的关系，还揭示了用水量时间序列的非线性特性，经生产实践检验，该模型的预测精度达到工程要求。     

城市日用水量预测的部分线性自回归模型

根据城市用水量影响因素及特点,针对线性回归模型与线性自回归模型误差较大的缺点,建立了城市日用水量的部分线性自回归预测模型,其中线性部分考虑日用水量,非线性部分考虑当天的最高温度,该模型综合了非参数回归模型与线性自回归模型的优点,因此在拟合与预测精度上比线性回归与线性自回归模型有所提高,证明该方法在城市日用水量预测中是有效的.     

GNNM(1,1)模型在城市用水量预测中的应用

我国城市年用水量数据较少并与诸多因素息息相关,是一个典型的灰色系统。本文利用灰色系统的少数据建模优点和神经网络的精度可控性优点,建立了城市年用水量的灰色神经网络GNNM(1,1)模型。利用该模型对S市城市用水量进行了实际预测研究,实例证明了该方法的正确性和科学性。     

GNNM(1,1)模型在城市用水量预测中的应用

我国城市年用水量数据较少并与诸多因素息息相关,是一个典型的灰色系统。本文利用灰色系统的少数据建模优点和神经网络的精度可控性优点,建立了城市年用水量的灰色神经网络GNNM（1,1）模型。利用该模型对S市城市用水量进行了实际预测研究,实例证明了该方法的正确性和科学性。     

灰色预测模型在年用水量预测中的应用

城市年用水量为城市建设规划以及供水管网改扩建提供依据,我国城市年用水量序列特点是记录时间短,记录数据少,针对我国城市年用水量数据序列的这种特点对其进行分析研究,利用灰色系统理论,建立预测年用水量GM（1,1）模型,并以大连开发区年用水量数据为原始数据进行了实际预测,通过后验差检验证明GM（1,1）模型为一种行之有效的预测年用水量的模型。     

三种城市日用水量预测模型对比研究

为实现科学、安全供水,建立精度高、可靠性强的城市日用水量预测模型,分别运用单指数平滑法、灰色预测方法、BP神经网络三种方法,对A市进行城市日用水量预测,并具体分析了各种方法的优缺点及适用范围.通过优化对比分析,当基础数据较完善时,BP神经网络预测模型精度较高,能较好地满足预测要求.     

城市日用水量预测的神经网络方法

介绍了城市日用水量预测的BP神经网络方法,分析了日用水量的变化规律和影响因素.以每日最高温度、最低温度、晴雨情况、星期及前一日用水量为输入节点,预测日用水量为输出节点,建立了日用水量预测神经网络模型,编制出预测模型的计算机程序.通过实测数据进行了模型检验,对预测结果进行了分析.     

偏最小二乘回归神经网络在城市生活用水量预测中的应用

科学的预测城市生活需水量对城市的发展具有十分重要的意义.城市生活需水量受到多重因素的影响,各因素之间的相关性较大.将自变量利用偏最小二乘回归处理,提取对因变量影响强的成分,既可以克服变量之间的相关性问题,又可以降低神经网络的输入维数;利用神经网络建模可以较好地解决非线性问题.将偏最小二乘回归与神经网络耦合,建立了城市生活用水量预报模型.实例表明,耦合模型的拟合和预报精度均较好.     

组合预测方法在需水预测中的应用

社会经济和气候因素对水资源需求的影响一直是国内外重点关注的研究领域,以东莞市为研究对象,将需水量影响因子划分为气候因子、经济因子和社会因子,选取不同的影响因子建立需水预测模型,分析各类因子与需水量之间的响应关系.在此基础上选取最合适的影响因子,应用多种方法建立预测模型,采用最小方差组合预测技术对不同预测模型的结果进行集成.研究结果揭示了东莞市需水量变化的情景和成因,预测了东莞市需水量变化趋势,并为东莞市水资源需求预测管理提供理论基础.     

预测城市用水量的人工神经网络模型研究

为了提高多层前馈神经网络权的学习效率,引入变尺度方法来训练神经网络的权值,并根据训练误差自适应调整学习系数和动量因子.将该方法应用于城市用水量预测中,建立了非线性人工神经网络预测模型.该模型考虑了城市工业用水重复利用率、用水人口、经济发展等众多因素对用水量需求的影响,具备系统决策功能.杭州市预测实例表明,建立的模型及其相应计算方法具有较高的预测精度和准确度.     

蚂蚁算法与拟牛顿法嫁接求解管网数学模型

管网水力计算的问题可归结为联立求解连续性方程、能量方程和压降方程.牛顿法是求解非线性方程组的一个经典方法,但当初值选择不好时,有可能不收敛.将新型的仿生算法———蚂蚁算法引入到求解管网数学模型中.利用拟牛顿法与蚂蚁算法相互之间较强的互补性,提出了求解供水管网微观数学模型的新算法———嫁接法.计算表明,嫁接法结合了蚂蚁算法与拟牛顿法各自的优点,计算速度快,效果良好.     

蚁群算法分配权重的燃气日负荷组合预测模型

为适应城镇燃气日负荷随机性和多变性的特点,克服特定时刻单一负荷预测模型存在实际应用局限性的问题,将5种评价准则用于组合预测前剔除冗余模型,提出了一种建立变全重组合预测模型的方法,通过蚁群算法确定分配权重的组合预测模型,使得在一个时段上的燃气日负荷预测精度好于各单一模型.首先对包含诸多随机和模糊等不确定因素的城镇燃气日负荷时变系统和各预测模型特点进行分析;然后确定岭回归分析(Ridge)、差分自回归积分滑动平均模型(ARIMA)、支持向量机回归(SVR)、极端梯度提升树(XGB)共4类单项日负荷预测模型,结合城镇燃气日负荷和模型的特点,分别给出每个模型各项参数的设置和模型的输入向量;用平均相对误差、均方根误差、灰色关联度、相关系数、Theil不等系数为评价准则计算出的综合评价指标剔除冗余模型,最后建立了蚁群算法权重分配的组合预测模型.预测实例表明,蚁群算法分配权重的燃气日负荷组合预测模型长期的综合预测效果要优于任意单项模型,相比于单一模型而言,组合预测模型的稳定性和容错率更高,具备较强的泛化能力.     

基于蚁群神经网络算法的机器人逆解

提出了一种机器人逆运动学问题建模的新方法.利用神经网络逼近机器人逆运动学的输入与输出、利用改进的蚁群算法学习神经网络.针对蚁群算法主要用于离散优化的特点,对基本的蚁群算法进行了改进,采用了全局搜索、局部搜索和确定性搜索,为连续问题的优化提供了一条新的思路.利用改进的蚁群算法学习神经网络,为神经网络提供了一种新的学习算法,使得该方法兼具了蚁群算法与神经网络的优点.应用实例表明了该方法的有效性,提高了机器人逆运动学求解的速度和精度.     

基于异常值识别的计量小区短期需水量预测

需水量预测是进行水资源调配、节能降耗和降低管网水龄的关键问题。现有需水量预测研究主要对预测模型进行改进,而忽视了对预测准确性至关重要的预处理步骤,如异常值处理,限制了预测模型的精度。为此,建立基于密度的局部离群因子模型(local outlier factor, LOF)对需水量数据中的异常值进行识别及矫正,并将其与一种新兴的高精度、高效率梯度提升树算法(light gradient boosting machine, LightGBM)结合,形成组合需水量预测模型(LOF+LightGBM)。通过实际案例进行模型性能测试,结果表明,相比基于原始数据的预测模型,基于经过LOF模型处理后的需水量数据进行预测的模型均方根误差平均降低10%。LightGBM模型在不同数据集上的绝对平均误差比人工神经网络和支持向量机平均降低了24.7%。整体上,LOF+LightGBM表现最佳预测性能,3个计量小区(district metered area, DMA)的纳什效率系数分别为0.886、0.951、0.942。所有模型训练及预测时间均小于0.7 s。无论是LOF模型、LightGBM模型还是LO...     

一种新的间断型备件需求预测方法

针对间断型需求因需求发生随机、需求量值波动大而导致预测困难这一问题,提出一种新的备件需求预测方法.该方法能分别预测需求发生时间和非零需求发生时的需求量值.对于0-1需求发生时间序列,采用调制方法对其进行平滑处理,运用神经网络对调制后的0-1时间序列进行预测,获得需求发生时间的预测值.采用时间聚合方法对实际备件需求时间序列进行预测,将滚动预测应用到解聚合过程中,得到备件的需求量预测值.使用三一重工砼活塞和核电设备的备件需求数据对方法进行验证,结果表明,该方法的预测精度要优于Croston方法、指数平滑法以及BP神经网络,证明了所提方法的有效性和准确性.     

基于混沌蚁群算法的电力短期负荷预测

通过对电力负荷变化规律和影响因素的分析,提出了一种新的短期电力负荷预测模型。首先利用混沌理论将杂乱无章的历史数据进行相空间重构,找出其中的潜在规律,并粗选预测参考点;然后利用蚁群优化算法,考虑距离因素和相点演化的相关性因素,对粗选的预测参考点作进一步精选,提高其质量;最后采用GM（1,1）灰色模型得到预测日的负荷数据。实际算例验证了提出的方法具有较好的预测精度。     

差分进化最小二乘支持向量机法预测日用水量

为解决最小二乘支持向量机的参数确定问题,提出采用自适应差分进化最小二乘支持向量机法预测日用水量.引入改进粗糙集算法分析日用水量主要影响因素,利用自相关系数法确定序列的相关性,并将自适应差分进化算法(SADE)用于优化最小二乘支持向量机(LSSVM)的参数,建立了基于SADELSSVM的预测模型.结果表明,与传统差分进化算法(DE)和自适应遗传算法(SAGA)相比,SADE具有更快的最优个体搜索速度和群体进化速度,与基于SAGALSSVM和基于DELSSVM的模型相比,本文提出模型的预测能力更强.