基于预测误差的用水预测模型选择方法研究

时间序列法是用水量预测的常用方法,其中预测模型的选择是提高预测精度的关键.针对目前以拟合精度作为模型选择标准的方法,提出了以预测值的置信区间最小为标准选择预测模型的方法.以山西省运城市工业用水量资料为例,分析给出了幂函数、S函数、直线、指数函数、二次和三次抛物线等6个模型95%置信水平下5年和10年两种预测期的预测区间,均以幂函数预测精度最高;对该系列近5年的用水量进行了预测,预测误差也以幂函数最小.表明以预测区间最小选择用水预测模型的方法是合理的、可靠的.     

一种位场数据补充的插值法数学模型

指出位场函数具有变化梯度大等特点,与多项式函数的特性相差甚远,用拉格朗日插值法公式计算的插值精度低,可靠性差。当待插点离已知点较远时,几科没有参考的价值。根据位场函数的特点,依据指数函数拟合位场函数导出指数函数拟合法插值公式。用这种插值公式内插补充和外推（包含向上和向下延拓计算）在理论模型上和在实际矿区上试算都证明了指数函数拟合法插值公式在位场数据补充上是一种精度比较高的插值数学模型。     

城市用水量预测模型及其应用

利用径向基函数神经网络,建立了城市用水量预测模型,并根据阜新市近些年来影响城市用水量的主要影响因素的数据对该网络进行训练,用训练好的网络模型预测今后的城市用水量,拟和预测结果表明该模型有较高预测精度,并具有一定的通用性和客观性等优点.     

以产业园区为发展方向的城镇用水量预测研究

正引言城市用水量预测是编制给水工程规划的基础工作和重要内容,影响城市用水量预测的因素很多,如水资源状况、节水政策、环保政策、社会经济发展状况及城市发展规划等,城市用水量预测不能与之脱离开来。在城镇规划中,以产业园区为发展方向的城镇,在城镇给水系统规划设计中,工业用水量预测占有重要地位,直接影响城镇给水系统的布局。本文以南方某城镇为例,探索以产业园区为     

城市用水量非线性组合预测方法研究

利用小波网络构造模型的优化组合函数,建立了城市用水量非线性组合预测模型.将非线性组合函数的拟合转化为小波网络参数的估计,采用遗忘因子法训练网络的权值,利用递推预报误差算法训练尺度因子和平移因子.实例表明,该方法具有很强的泛化能力与自适应数据和函数变化的能力,能够有效提高预测精度,克服了线性组合预测方法适应性不强的问题.     

基于模糊自适应变权重算法的函数链神经网络预测方法

为提高复杂工业系统非线性时间序列预测精度,将工业系统非线性时间序列不同的单个预测模型预测值作为函数链神经网络的原始输入值,并将原始输入值按正交的三角函数扩展得到的数值作为函数链神经网络扩展输入值,在分析函数链神经网络拟合充要条件的基础上,结合模糊自适应变权重算法计算函数链神经网络权重,建立基于模糊自适应变权重算法的函数链神经网络预测模型。研究结果表明:基于模糊自适应变权重算法的函数链神经网络预测方法的预测精度较高,并且平均误差和预测平方根误差均较小,具有较强的泛化能力;该模糊自适应变权重函数链神经网络预测模型可用于复杂非线性工业系统决策。     

基于分形理论的城市日用水量预测方法

针对城市日用水量呈现周期性和自相似性的特点,通过对分形理论的研究,提出了基于分形拼贴定理和分形插值函数迭代过程的城市日用水量预测方法．该方法根据分形拼贴定理,由基于仿射变换的分形插值方法求取一个与历史日用水量记录相近的迭代函数系,建立分形预测模型,对城市日用水量进行预测．首先根据日用水量具有以周为周期的特点,应用相似日拟合模型对日用水量进行预测,平均预测误差为2．06％;然后根据日用水量具有以月为周期的特点对日用水量进行预测,平均预测误差为2．94％．应用表明,该方法实用性强,能够为城市供水优化调度提供决策支持．     

加权组合模型在城市用水量预测中的应用

鉴于传统灰色模型在建模中存在固有偏差的问题,本文采用无偏灰色GM(1,1)预测模型.在无偏灰色预测模型表达式的基础上,又提出了非线性的预测模型,并将其用于城市的用水量预测上.考虑到单一预测模型在预测过程中存在的不足,用最优加权组合模型对无偏灰色GM(1,1)模型和非线性模型进行组合,并将加权组合模型首次用于遂宁市的城市用水量预测.预测结果表明,组合模型的预测精度优于单一的预测模型,预测结果与城市的实际用水量拟合较好,该方法可推广到其它类似城市的用水量预测中.     

基于径向基函数网络的煤层破裂压力预测方法

为了获得准确的破裂压力预测值,本文引入径向基函数(RBF)神经网络模型对煤层破裂压力进行解释。通过对收集的200余层资料进行了拟合和预测破裂压力,优选径向基函数网络模型,对其中150层资料进行拟合,得到拟合精度达到92.01%,同时利用训练的径向基函数网络模型,对剩余井层中的20层资料进行了预测,预测精度达到89.85%,解决了传统方法预测效果误差大的问题,该结果利用径向基函数网络模型预测煤层气井的破裂压力准确度高,可以推广应用。     

用水量预测模型选择方法的研究

时间序列法在用水量预测中被广泛使用,为了提高预测精度,关键在于模型的选择。针对目前以拟合误差最小选择预测模型方法的问题,提出了以预测误差最小为目标确定用水预测模型的方法,并且以山西省太原市近25年的生活用水量系列资料为例,进行了适用性分析。     

改进的CS-GRNN模型在城市需水量预测中的应用

为了更加准确地预测城市需水量,提出一种基于改进布谷鸟算法优化广义回归神经网络模型的城市需水量预测方法.该方法采用改进的布谷鸟算法对广义回归神经网络的平滑因子进行优化,建立改进布谷鸟算法优化的广义回归神经网络模型(ICS-GRNN),并应用于南宁市城市需水量预测中.通过使用南宁市2001—2012年城市需水量测试数据分别对传统GRNN法和ICS-GRNN法的预测结果进行比较,结果表明,该方法具有更高的预测精度和数据拟合能力.     

粒子群优化算法在城市需水量预测中的应用

在对天津市需水量现状进行调查的基础上,分析需水量与相关因素的变化规律,建立天津市需水量预测模型.应用粒子群优化算法(PSO)对神经网络权值进行优化,建立PSO-BP神经网络,应用于需水量预测模型的求解.将PSO-BP法与传统的BP神经网络法的计算结果进行对比,前者的预测平均相对误差比后者低500/.结果证明,该预测模型能够较好地拟合天津市需水量变化趋势,PSO-BP方法比BP方法具有更高的收敛速度和精度.     

需水量预测的线性测量误差模型

为了克服现有需水量预测方法未考虑原始数据测量误差的缺陷,以扬州市1999~2006年的GDP及用水量作为原始数据,建立了需水量预测的线性测量误差模型,并对扬州市2010年、2015年和2020年的需水量进行了预测.与普通线性回归方法的对比结果表明,线性测量误差模型预测精度较高,其预测结果可以为节约用水规划及水资源规划提供依据.     

多元线性回归模型预测天津市用水量

采用多元线性回归法进行城市用水总量预测。通过主成分分析法确定有效自变量为：用水人口、国民生产总值、工业用水重复率、年降水量、绿化覆盖率,应用R语言编制相关程序,建立数学模型,实现多元线性回归分析。通过残差图检验模型的有效性可知模型回归效果良好。本文通过简便的方法为较准确地预测城市用水量提供参考。     

神经网络方法在城市需水量预测中的应用

本文详细阐述了采用BP神经网络和模糊神经网络进行城市需水预测的方法,并将这两种方法和灰色预测模型应用到石河子市需水预测的实证研究中.通过对这三种方法进行比较研究,发现在相关因素数据比较齐全时,两种神经网络的模拟结果精度较高,模糊神经网络方法的模拟精度最高.     

区域物流需求预测的COMR方法

针对区域物流需求规模短期预测建模的特点,结合核方法和支持向量回归的研究进展,提出了一类带约束的最优多元回归模型。该模型综合考虑了多元回归函数的拟合误差、泛化能力以及非线性预测建模的特点,为区域物流需求增长预测提供了一种新方案。对上海市最近5年物流需求规模的预测也验证了该模型的有效性。     

粒子群算法的支持向量回归机在某企业用水量预测中的应用研究

工业用水量预测对工业企业的规划、运行具有非常重要的作用。采用河南省周口市某食品加工企业近10年来工业用水量时间序列记录资料作为训练样本,提出了在支持向量机回归预测中采用粒子群算法优化参数的方法。通过算例分析表明,此算法能够显著提高预测的精度。     

工业需水量综合预测方法

综合了趋势法、分块预测法、相关法、分行业重复利用率提高法等方法的优点,导出了包含以上诸方法的综合预测通用公式,该公式具有结构简单、通用性强的特点,从上揭示了常用预测方法的内在联系,尤其便于编制计算机通用软件、为大区域水资源规划与管理中涉及多部门、多行业复杂组成的工业系统的需求水量预测提供了一个有效的方法,实际应用,本文方法与供需分析和优化配置模型集成,可提高方案分析的灵活性和效率。     

城市日用水量的自回归模型(AR)预测方法

介绍了利用自回归模型(AR)预测城市日用水量的方法，阐述了AR模型的阶数和自回归系数的求解，并结合工程实例，预测出某城市日用水量，达到了较好的预测效果。     

城市供水负荷短期预测方法

结合城市用水量的影响因素及特点，分析了城市用水量的变化规律，探讨了水量预测时间序列分析方法；根据城市供水运行调度对用水量预测的实际要求，采用时间序列三角函数分析法建立了管网用水量的短期负荷预测模型。实例考核证明，该模型有效可行。