主成分回归在需水预测中的应用

城市需水量的准确预测对区域的发展具有十分重要的意义。城市需水受多重因素的影响,且这些因素大多存在较强的相关性。通过主成分分析法的计算分析,以金华市为例,采用2000-2010年的城市用水资料建立回归模型对需水量进行预测。结果表明:该模型应用于城市用水预测,其结果与当地实际情况较为吻合,模型的拟合程度和预测准确度较好。     

基于主成分分析的BP神经网络在延安市需水预测中的应用

利用延安市1990～2010年的需水量数据,采用主成分分析法对影响水资源需求量的10个因子进行了分析.结果表明:GDP、降雨量、居民生活用水量及生态环境用水量4个因子为影响需水量的主要因子,将此作为主要因子构造BP神经网络的输入样本,建立延安市需水量预测模型.模拟结果与实际值相吻合,并利用模型对2015年需水量进行了预测.     

主成分分析法在水资源承载力影响因子评价中的应用

水资源承载力是区域水资源安全的基本度量,对于区域认识和建设水资源安全保障体系有重要的意义。将主成分分析方法引入到水资源承载力研究中,并以浙江省为例,在现有资料的基础上,利用主成分分析的方法,定量分析影响水资源承载力变化的最主要的驱动因子,结果表明,浙江省水资源承载力的影响因子可以归为3类:社会经济因素、水资源开发利用因素、水环境破坏因素,从单个因子来看,GDP和固定资产值对水资源承载力的影响尤为显著,其因子载荷量均为0.992,可见经济的快速发展对水资源承载力造成了巨大的压力。     

主成分分析法在沙河水质评价分析中的应用

采用主成分分析法,选取具有代表性的6个断面和溶解氧、高锰酸盐指数、化学需氧量、五日生化需氧量、氨氮、氟化物、锰7个水质指标对沙河水质进行分析评价。以石佛口断面为重点,研究分析断面水体的主要污染物。结果表明,主成分分析法在指标权重选取方面具有减少主观误差和操作简单等优越性。     

主成分分析法在海河流域多条河流水质评价分析中的应用

水质评价是获得水环境现状及其水质分布状况、对河流水质质量进行定性或定量的评定,是水质保障的重要措施之一。利用SPSS软件,采用主成分分析法,对11个不同河流站点的高锰酸盐指数、化学需氧量、氨氮、总磷、铜、氟化物、铁、锰8个水质指标进行了分析计算,从原始数据中提取总方差72.88%的2个因子来反映水体的污染程度。结果表明,主成分分析方法在指标权重选取方面可以减少主观误差,操作简单,并且具有一定的优越性。     

基于主成分分析的GA-BP模型在城市需水预测中的应用研究

针对城市需水预测模型中需水量影响因子多、影响因子之间普遍存在多重共线问题,以及BP神经网络收敛速度慢、易陷入局部最优等缺点,提出一种由主成分分析、遗传算法及BP神经网络三者相结合的改进预测模型。以泰州市为实例,建立以主成分分析筛选需水量主要影响因子,遗传算法优化BP网络连接权值和阈值的需水预测模型,预测结果与BP神经网络预测模型预测结果做对比。结果表明:改进预测模型对泰州市2003-2014年需水量预测的平均相对误差为0.564%,最大相对误差为1.681%,精度优于BP神经网络预测模型;改进预测模型预测值与实际泰州市需水量吻合良好且训练速度更快、预测精度更高,可作为需水预测的一种有效方法。     

组合预测法在城市生活需水量预测中的应用

科学客观地预测城市生活需水量,合理规划水资源的配置,是城市发展的需要. 本文运用GM(1,1)模型和一元线性回归模型相结合的组合模型对城市生活需水量进行预测,结果表明,组合预测综合考虑了各种因素的影响,能够提高需水量的预测精度,为水资源合理规划提供了科学决策依据.     

阜新市饮用水源水质量的主成分分析法评价

为了有效地控制饮用水源的污染,改善饮用水环境质量,保障人类的饮水健康,对水质进行评价具有十分重要的意义。确定影响饮用水质量的指标,利用主成分分析具备的在保证原始数据信息损失最小的情况下,以少数的综合变量取代原有的多维变量的简化功能,建立饮用水质量的主成分分析评价模型,以主成分的权数作为对应的污染贡献率。利用阜新市主要水源地2010年的水质监测资料对阜新市水源地水质的主要影响因子、污染原因、污染程度分别进行评价与结论分析。结果表明:影响阜新市佛寺水源地水质的主要因子为高锰酸盐指数、总磷、氟化物;农牧区的大量施肥与喷洒农药是构成水库总磷超标的主要原因。     

灰色关联—集对聚类预测模型在吉林省用水量预测中的应用

对地区未来用水量进行预测对于实现水资源的合理规划与调度有着重要意义。为了对吉林省未用水量进行合理预测,建立了吉林省短期用水量预测的灰关联-集对聚类预测模型,并用吉林省实际用水量数据对模型进行了交叉精度检验。结果发现:该模型对吉林省2015用水量预测结果与实际数据的相对误差为2.00%,预测精度好于灰色预测模型和BP神经网络模型。20年数据检验平均误差为2.675%,预测效果较好,可用于区域未来用水量预测。根据此模型以及吉林省发展规划,2020年吉林省用水量将达到138.74×10~8m~3。     

主成分分析法在温榆河水质评价中的初步应用

常规的水质评价方法有很多因不能克服由于涉及因子过多而造成某些重要信息被掩盖的缺陷,而主成分分析法能从众多变量中剔除具有相关性的因子,筛选出主要少数独立综合因子,且这些综合因子能对研究结论做出充分合理的解释。应用主成分分析法,借助Statistical Product and ServiceSocutions(SPSS)软件,对2009年温榆河10个监测断面的7项水质指标进行了分析。通过水质评价综合得分的结果可以看出,在10个监测断面中,丁家坟的污染程度最大。从水质监测数据及其评价结果来看,说明主成分分析结果能真实地反映水质实际情况。     

基于PSO-GRNN方法的城市用水量短期预测

鉴于城市用水量短期预测中传统的神经网络训练易陷入局部极小点、收敛速度较慢等问题,采用具有全局随机优化思想的PSO算法对GRNN神经网络径向基函数的扩展速度进行优化,提出了城市用水量的PSO-GRNN神经网络预测方法。根据某市日用水量的实测数据进行建模和预测,通过与最小二乘模型、核估计模型、局部线性估计模型的模拟效果进行对比表明：PSO-GRNN网络具有较强的自适应能力和泛化能力,能够有效地提高用水量的预测精度。     

改进的偏最小二乘法在青海省农业用水预测中的应用

根据2000—2009年影响青海省农业用水的11个因子的基础数据,建立偏最小二乘回归模型,考虑到模型的实用性和准确性,运用后退法对偏最小二乘法进行改进,剔除了5个不需要的变量,得到了拟合精度更高的结果。选取2010—2013年数据进行模型检验。结果表明:运用偏最小二乘法预测的结果与实际情况贴近,并且改进的模型的贴近度更高。通过模型的应用,可以看到偏最小二乘法在青海省农业用水预测中有较好的应用价值,并且改进后的偏最小二乘法简化了模型,提高了预测精度,为青海省的农业用水预测提供了依据。     

遍历灰色模型对城市用水量的预测

考虑到原始序列中个别值的偶然波动影响传统GM(1,1)模型的预测精度,基于GM(1,1)模型的基本原理,构造了遍历灰色模型T-GM(1,1)。结果表明,T-GM(1,1)大大提高了模型的预测精度,将原始序列中不确定因素对预测精度的影响降到了最低,具有广泛的实用性。