基于因子分析的BP神经网络对成都市需水量预测研究

合集下载

基于神经网络预测水位的方法[发明专利]

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号 (43)申请公布日 (21)申请号 201810157907.7(22)申请日 2018.02.25(66)本国优先权数据201721333861.7 2017.10.17 CN(71)申请人北京尚水信息技术股份有限公司地址 100085 北京市海淀区上地五街7号昊海大厦303(72)发明人王希花　纪红军　曲兆松　任明轩　(51)Int.Cl.G06Q 10/04(2012.01)G06N 3/08(2006.01)G06N 3/02(2006.01)(54)发明名称基于神经网络预测水位的方法(57)摘要本发明的基于神经网络预测水位的方法包括以下步骤：根据各站点的关系,下游某一站点（A）的水位与该站点（A）的前一段时间的水位相关，并且与该站点（A）上游的若干个上游站点（B、C、D …）的对应的该瞬间的水位相关，根据已有数据分析，水从上游站点（B、C、D …）流到下游的该站点（A）耗时分别为t 1、t 2和t 3…分钟，选取上游站点（B、C、D …）的前2t 1-t 1、2t 2-t 2和2t 3-t 3…分钟水位数据，以及该站点（A）的前U分钟的水位数据作为输入信号；建立一个神经网络；并经过若干次迭代让神经网络进行自我学习，使得神经网络的预测误差小于设定误差；输入该站点（A）前一段时间的水位和若干个上游站点（B、C、D …）的水位数据，基于神经网络预测该站点（A）水位。

权利要求书2页说明书5页附图1页CN 108510103 A 2018.09.07C N 108510103A1.一种基于神经网络预测水位的方法，该方法根据若干个上游站点（B、C、D…）的水位来预测下游某一站点A的水位，其特征在于：该方法它包括以下步骤：1）确定输入信号根据各站点的关系, 下游某一站点（A）的水位与该站点（A）的前一段时间的水位相关,并且与该站点（A）上游的若干个上游站点（B、C、D…）的对应的该瞬间的水位相关，根据已有数据分析，水从上游站点（B、C、D…）流到下游的该站点（A）耗时分别为t1、t2和t3…分钟，选取上游站点（B、C、D…）的前2t1- t1、2t2- t2和2t3- t3…分钟的水位数据，以及该站点（A）的前U分钟的水位数据作为输入信号；2）建立一个神经网络该神经网络包括：输入层（1）、隐含层（3）和输出层（5），输入层（1）包括并列的若干个输入点（2），隐含层（3）包括并列的若干个节点（4），输出层（5）包括一个输出点，每个输入点（2）的输出均作为每个节点（4）的输入，每个节点（4）的输出均作为输出层（5）的输入，输出层（5）输出一个信号；3）让神经网络进行自我学习将上游站点（B、C、D…）的前2t1- t1、2t2- t2、2t3- t3…每分钟的水位数据和该站点（A）的前U分钟的每分钟的水位数据中每一个数据作为一个输入点（2）的输入数据，将上述输入数据输入步骤2）的该站点（A）的神经网络中，让神经网络进行自我一次学习，经过若干次自我学习，使得神经网络的预测误差小于设定误差，得到该站点（A）的神经网络；4）基于神经网络预测该站点（A）水位把上游站点（B、C、D…）的前2t1- t1、2t2- t2和2t3- t3…水位数据和该站点（A）的前U分钟的水位数据作为步骤3）的该站点（A）的神经网络的若干个输入点（2）的输入数据，根据步骤3）的该站点（A）的神经网络得到该站点（A）的水位。

基于机器学习的水质监测预警技术研究

基于机器学习的水质监测预警技术研究一、引言水是人类生存的重要资源之一，保障水质安全是人类生存、发展和健康的基础。

近年来，由于环境污染和人类活动，水质问题越来越受到关注。

为了保障水质安全，需要对水质进行监测和预警。

传统的水质监测方法存在着监测点少、时效性差、成本高等问题。

因此，利用机器学习技术进行水质监测预警具有很好的前景和应用价值。

二、基于机器学习的水质监测预警技术研究现状与传统的水质监测方法相比，机器学习技术的优势在于能够处理大量的多元化数据，精确地预测和分析水质状况，并能够快速反应异常情况，为相关部门提供及时、有效的预警信息。

目前，国内外已经有不少研究利用机器学习技术进行水质监测预警，如利用支持向量机、神经网络、朴素贝叶斯、决策树等方法进行水质预测。

三、机器学习在水质监测预警中的应用1. 数据采集与处理以传感器网络作为水质数据采集手段，可以实现对大面积水域的实时监测。

采集到的数据需要进行预处理，如数据降噪、数据清洗、数据归一化等，确保数据的可靠性和准确性。

2. 特征选择与建模通过对采集到的水质数据进行特征选择与建模，提取出与水质变化相关的特征，并使用机器学习算法进行建模。

在建模过程中，需要选择合适的特征提取方法和合适的机器学习算法，以提高模型的预测能力。

3. 模型优化与评估在模型优化与评估过程中，需要对模型进行调参、交叉验证等操作，选择最优的模型。

同时，还需要对模型的预测能力进行评估，以确保模型的可靠性和有效性。

4. 水质监测预警系统建设基于机器学习技术，可以构建水质监测预警系统。

系统包含多个模块，如数据采集与处理模块、特征选择与建模模块、模型优化与评估模块、预警与报警模块等。

四、机器学习在水质监测预警中的应用案例1. 基于多分类SVM的水质监测利用传感器采集到的水质监测数据，采用多分类SVM算法进行预测和分类，实现对水质的实时监测和预警。

研究结果表明，该方法能够准确地识别不同类型的水质状况。

用水量预测方法综述

用水量预测方法综述我国城市化正以罕见的速度进行, 到2000年底, 全国城市化水平已由1980年的19. 4%迅速增长到36. 2%; 预计到2020年城市化水平可达到50%左右。

由于人口持续增长、经济高速发展、生活水平不断提高, 城市的工业和生活用水需求量大幅度增长, 使城市水资源供需矛盾加剧, 解决城市缺水问题是目前城市化建设面临的挑战。

在进行城市水资源规划时, 城市用水量预测是其重要基础内容之一, 城市用水量预测结果直接影响到给水系统调度决策的可靠性和实用性,也直接关系到城市水资源的可持续利用和社会经济的可持续发展。

给水管网用水量预测是进行给水系统优化调度的前期上作, 根据城市发展规划要求, 对给水管网系统的用水量进行分析、研究, 选择合适的用水量预测方法, 建立切实的用水量预测模型, 是进行给水系统优化调度的基础和前提, 它不仅为决策提供必要的信息, 在一定程度上讲, 它的准确度将直接影响给水系统优化调度的合理性和有限投资的效益。

城市用水量预测在城市建设规划、输配水系统的优化调度中具有重要的作用。

它的准确程度直接影响到供水系统调度决策的可靠性及适用性。

城市给水系统时用水量预测是依据过去时段的城市供水量数据来推测下一个时段的城市需水量数据。

通过对原始数据处理和用水量模型建立，发现、掌握城市给水系统时用水量变化规律，对下一个时段的城市总需水量做出科学的定量预测。

建立的模型要根据历史数据的变化进行修正，使模型始终处于最优状态。

城市用水量预测方法按照预测周期可分为: 短期预测和中长期预测; 按照预测原理可分为: 趋势外推法和因果型预测法; 按照对数据的处理方式不同有: 时间序列分析法、灰色预测法、解释性预测方法和用水定额法等。

本文主要讨论短期用水量预测和中长期用水量预测。

中长期用水量预测主要用于水资源规划和城市的整体设计规划，它的预测依据是城市经济发展和人口增长速度的规律;短期预测是根据时用水量历史记录、日用水量历史记录或每周用水量历史记录数据及影响用水量的因素, 对未来一小时、一天或几周的用水量进行预测, 又称为时预测、日预测和周预测。

基于BP神经网络方法的矿井涌水量预测

基于Ｂ神经网络方法的矿井涌水量预测Ｐ
姜素，亚军，兰，成鹏孙杨凌
（国矿业大学资源与地球科学学院，苏徐州中江２１０）２０８
摘要：于矿井涌水威胁煤矿安全生产及其影响因素的复杂性，出基于Ｂ鉴提Ｐ神经网络的矿井涌水量预测方法。
分复杂，补给、流和排泄条件均受到多种因素的其径影响．各计算方法都有其不同的适用条件，同时各自也存在不足之处．因此采用新的研究方法预测矿井
涌水量，有非常重要的现实意义。具
水平的不断加深，降水人渗强度逐渐增强，矿井涌水
面积的增大，砂岩裂隙含水层向矿井充水的面积也增大，进入矿井的水量就越大。
１矿井涌水量主要影响因素分析
新安矿井位于新安县城以北１ｋ处，属低山５ｍ
③底板构造断裂和采动裂隙。资料显示，矿本
井断层多为中小断层，均发育高度１７新安矿平．ｍ。７二煤底板至太原组灰岩之间距离平均１ｍ，而本ｌ
涌水量计算方法【】ｌ。确定性的传统涌水量计算方法＿３主要有解析法、拟法、均衡法等；模水非确定性（随机性）数学方法，经验法、的如回归（关分析）模糊数相、
学、色预测及时序分析法等。由于地下水系统十灰

数学建模 -的范例

针对问题三，本文首先对主要风险因子进行了灰色预测，计算出未来几年水资源总量、降水量、平均气温、生活用水量、工业用水量。

然后采用问题二中的BP神经网络预测每年的缺水量。

最后通过整合往年的数据，运用问题二中的熵值取权的模糊评价模型预测出未来几年内水资源短缺的风险等级。

由于考虑到降水量和地下储水相关系数高，我们依据历年的降水量估测出平水年，偏枯年，枯水年三种不同年份的水资源总量，并应用问题二的风险评价模型进行评估，得到三种不同年份水资源短缺风险等级依次为高，较高，较低。

最后我们分析了南水北调工程对北京市未来两年水资源短缺的风险等级影响，风险等级依次变为低，偏低，无。

针对问题四，我们从北京市水资源现状及分析、北京市严重缺水的原因探究、北京市水资源开发利用对策三个层面向相关行政主管部门提交建议报告，以求帮助其合理规避水资源短缺风险。

关键字：水资源短缺风险、灰色关联度分析、主成分分析，模糊综合评价、BP 神经网络、熵值取权一、问题重述1.1 问题背景水是生命之源，万物之本，是人类生存和发展不可或缺的物质，是地球上最普遍、最常见同时也是最珍贵的自然资源。

水是人类一切生产活动的基础，有水的地方欣欣向荣，水资源枯竭的地方则文明消失。

长期以来，我们注重经济社会发展，却忽略了水资源的承载能力，注重水资源开发利用，却没有同等重视节约和保护。

随着经济社会发展，1.2 问题重述水资源短缺危险泛指在特定的时空环境下，由于来水和用水的不确定性，室区域水资源系统发生供水短缺的可能性以及有此产生的损失。

近年来我国水资源短缺问题日趋严重，以北京市为例，北京是世界上水资源严重缺乏的大都市之一，属严重缺水地区。

虽然政府采取了一些列措施，如南水北调工程建设, 建立污水处理厂,产业结构调整等。

但是，气候变化和经济社会不断发展，水资源短缺风险始终存在。

如何对水资源风险的主要因子进行识别，对风险造成的危害等级进行划分，对不同风险因子采取相应的有效措施规避风险或减少其造成的危害，这对社会经济的稳定、可持续发展战略的实施具有重要的意义。

加权平均集成神经网络模型在城市需水预测中的应用

ｓｏｌｖｅｔｈｅｓｅｐｒｏｂｌｅｍｓ，ａｗｅｉｇｈｔｅｄａｖｅｒａｇｅｉｎｔｅｇｒａｔｅｄｗａｔｅｒｄｅｍａｎｄｆｏｒｅｃａｓｔｍｏｄｅｌｗａｓｄｅｖｅｌｏｐｅｄｐｒｅｃｉｓｉｏｎ－Ｔｏ
ｒｏｏｔｗｅｒｅｃｏｎｄｕｃｔｅｄｔｏｓｅｌｅｃｔｔｈｅｍａｉｎｆａｃｔｏｒｓｉｎｗａｔｅｒｄｅｍａｎｄｆｏｒｅｃａｓｔｉｎｇ．Ｉｎｏｒｄｅｒｔｏａｖｏｉｄｍｏｄｅｌｏｖｅｒｉｆｔｔｉｎｇ．ｔｈｅｖｉｒｔｕａｌｄｉｍｅｎｓｉｏｎｗａｓｉｎｔｒｏｄｕｃｅｄ．Ｔｏｏｖｅｒｃｏｍｅｔｈｅｓｈｏｒｔｃｏｍｉｎｇｓ．ｉｎｃｌｕｄｉｎｇｔｈｅｓｌｌｙｏｃｃｕｒｅｎｃｅｏｆｌｏｃａｌｅｘｔｒｅｍｅｖａｌｕｅｓｏｆｔｈｅＢＰａｎｄＥｌｍａｎｎｅｕｒａｌｎｅｔｗｏｒｋｓｔａｎｄａｒｄａｌｇｏｒｉｔｈｍｓ．ｔｈｅａｄａｐｔｉｖｅ
加权平均方法对各单一模型预测结果进行综合集成。结果表明：利用加权平均集成模型对上海市
２００２－２０１１年需水量进行预测的平均相对误差绝对值为１．８００４％，最大相对误差绝对值为

基于PCA的BP神经网络在城市供水预测中的应用

ＰｉｒｎｃｉｐｌｅＣｏｍｐｏｎｅｎｔＡｎａｌｙｓｉｓ（ＰＣＡ）ｗａｓａｄｏｐｔｅｄｗｈｉｃｈｗａｓｕｓｅｄｔｏａｎａｌｙｓｉｓｈｅｔｐｉｒｎｃｉｐａｌｉｍｐａｃｔｆａｃｔｏｒｓ，ａｃ－
山东农业大学学报（自然科学版），２０１３，４４（２）：２６６— ２７０Ｊｏｕｒｎａ１．ｏｆＳｈａｎｄｏｎｇＡｇｒｉｃｕｌｔｕｒａｌＵｎｉｖｅｍｉｔｙ（ＮａｔｕｒｌａＳｃｉｅｎｃｅ）
ＸＩＡＯＨａｎ，ＣＡＯＪｕｎ，ＬＩＬｉｎｇ—ｘｉａｏ
（ＳｈａｎｄｏｎｇＨｙｄｒａｕｌｉｃＥｎｇｉｎｅｅｒｉｎｇＣｏｌｌｅｇｅ，Ｒｉｚｈａｏ２７６８２６，Ｃｈｉｎａ）
关键词：供水预测；ＢＰ神经网络；主成分分析中图分类号：ＴＶ２１４；ＴＰ１８３文献标识码：Ａ文章编号：１０００— ２３２４（２０１３）０２—０２６６— ０５
ＵＲＢＡＮＷＡＴＥＲＳＵＰＰＬＹＦＯＲＥＣＡＳＴＭｏＤＥＬＯＦＢＰＮ Ⅱ ＴＲＡＬＮＥＴＷＯＲＫＳＢＡＳＥＤＯＮＰｅＡ
ｃｏｍｉｎｇｔｏｈｅｔｉｎｐｕｔｓａｍｐｌｅｓｏｆＢＰｎｅｕｒｌａｎｅｔｗｏｒｋｂａｓｅｄｏｎｈｅｔｄｅｔｅｒｍｉｎｅｄｍａｉｎｉｍｐａｃｔｆａｃｔｏｒｓ，ｈｅｔｄｉｆｅｒｅｎｔｌｅｖ．ｅｌｓｏｆｗａｔｅｒｓｕｐｐｌｙｗｉｌｌｂｅｆｏｒｅｃａｓｔｅｄ．ＦｕｓｈｕｎＣｉｔｙａｓａｍｏｄｅ１．ｔｈｅｆｏｒｅｃａｓｔｅｄｒｅｓｕｌｔｓｗｉｔｈｔｈｅｈｉｇｈｅｒａｃｃｕｒａｃｙＣｎａｂｅａｔｔａｉｎｅｄ．ＡｎｄｈｉｔｓｃｏｎｃｌｕｓｉｏｎｃａｎｆｏｒｅｃａｓｔｔｈｅｕｒｂａｎｗａｔｅｒｓｕｐｐｌｙａｎｄｌｓａｏｐｒｏｖｉｄｅａｓｃｉｅｎｔｉｆｉｃｂａｓｉｓｏｒｆｈｅｔｏｐｔｉｍａｌａｌｌｏｃａｔｉｏｎｏｆｗａｔｅｒｒｅｓｏｕｒｃｅｓｉｎＦｕｓｈｕｎＣｉｔｙ．Ｋｅｙｗｏｒｄｓ：Ｗａｔｅｒｓｕｐｐｌｙｐｒｅｄｉｃｔｉｏｎ；ＢＰｎｅｕｔｒａｌｎｅｔｗｏｒｋｓ；ｐｉｒｎｃｉｐｌｅｃｏｍｐｏｎｅｎｔａｎｌｙａｓｉｓ

城市需水预测方法比较

城市需水预测方法比较薛林丽;袁星宇;刘宗显【摘要】为了提高城市需水预测精度,基于北京市2004—2014年用水量及影响因子,利用多元线性回归法、灰色模型预测法和BP神经网络法3种需水预测方法,模拟北京市用水量,并用北京市2015、2016年用水量对3种方法精度进行验证.结果表明:在现有资料基础上,虽然3种需水量预测模型均是可行的,但是BP神经网络法预测模型比起其他2种方法,预测精度最高,而且还具有收敛速度快、调整参数少等优点.预测得到了北京市2020年需水量为38.63亿m3,且在近几年仍呈增长趋势.【期刊名称】《人民珠江》【年(卷),期】2018(039)001【总页数】4页(P63-66)【关键词】需水预测;多元线性回归法;灰色模型;BP神经网络法【作者】薛林丽;袁星宇;刘宗显【作者单位】四川大学水利水电学院,四川成都 610065;四川大学水利水电学院,四川成都 610065;四川大学水利水电学院,四川成都 610065【正文语种】中文【中图分类】TV213进行城市需水量预测，有助于合理分配和利用水资源，便于城市的更好发展。

目前需水预测的常见方法可分为：定性预测、定量预测和其他预测3种方法。

定性预测常在缺乏统计资料的情况下使用，包括特尔斐法、主观概率法和交叉影响概率法3种方法；定量预测是基于大量统计数据探索需水量的一种方法，常分为回归分析法和模拟模型法；其他分析方法包括水平衡计算法、弹性系数法、类比法和指标分析法4种。

为了寻找一种更加精确的需水预测方法，笔者主要对比了多元回归分析、灰色系统预测模型和BP神经网络3种方法，并对北京市2004—2014年需水情况进行预测，以找到3种方法的适应特性，以期为今后选择需水预测方法做参考。

1 北京市区域及用水概况北京市位于华北平原与太行山脉、燕山山脉的交接部位，北纬39°26′～41°03′，东经115°25′～117°30′，总面积约1.641万km2。

《水资源研究》2011年总目次

衡水市应急供水水源地研究 …… …… …… ……… …… ……… … ……… …… …… ……… …… …… 赵忠义（．３３２）基于Ｆｓｅ判别分析法的湖库营养状态评判分析 …… …… …… ……… …… …… ……… …… …… 崔东文（．５ｉｒｈ４１）
定州市地下水水质分析及应对措施 …… …… ……… …… …… …… …… ……… …… …… ……… …… 李卫涛（．）３５滨州市雨水集蓄利用探索与实践 … …… …… …… …… ……… …… …… …… …… ……… …… ……… 谭增英（．）３７
森（．）１９
昭通市横江流域水环境质量现状评价及其水质趋势分析 … …… ……… …… …… …… ……… …… 代堂刚（．２１１）文，（．８等３１）
长潭水库生态湿地建设构想及效益分析 …… …… …… ……… …… …… …… …… ……… … 蒋思军，张君伟（．１３２）
鑫，炳娜，马张靖，宋连瑞，胡
毅（．）２６斌（．２２１）
… …… ……… …… …… …… …… 冯琨，张永丽（．）会建设工程体系规划 … …… …… ……… …… …… 曹十期商水
基于系统动力学的大连市水资源循环经济研究 … …… ……… …… …… …… …… ……… …… ……… 刘雷雷（．）３１
黄河三角洲地热尾水排放对地表水体的热污染数值模拟 …… …… …… ……… 张建伟，西龙，忠诚，（．８袁路等４１）

基于BP神经网络预测区域农业用水量

方法如下：
设待预报对象ｙ有ｎ个样本，即Ｙ＝｛１Ｙ，，Ｙ，２ … Ｙ｝对于ｎ个样本，其预报因子特征值矩阵为
值
（）２
经分析、筛选，可得每个样本对应着ｍ个预报因子特征值，
式中：为农业需水量；为影响因素的集合。
（华北水利水电学院，河南郑州４０１）５０１
摘
要：业用水量预测中，在农避开复杂系统的内部因素及其相互联系，只考虑产量、降水、非耕地耗水量和土地利用系
数等影响因素。运用多层前馈网络的误差反向传播算法，通过输入输出因子规格化处理及因子的选取与修正，进行区域农业用水量预测。将ＢＰ神经网络训练方法用于典型区进行预报检验，最大相对误差在１％以下，２所有结果从定性上都
Ｒ
矩）（３阵
为
（）４
相应地预报对象特征值采用式（）３进行标准化处理。设
％ｉｘ－％：— ａ－Ｙｍ —Ｙ
ｉｉｍｎ
（（）５）５
０１
则预报对象ｙ的样本标准化向量为
Ａ＝（ｌ口， … ，口，２ …口，口）（）６
令叼／＋１＝叼／（，）（，７７）（）７
第一层第二层第三层
图１神经网络结构
多层前馈网络的误差反向传播算法已经成熟，在此不在赘述，下面论述因子的规格化处理及因子的选取与修正。
ｌｌ输入输出因子规格化处理。
０２

基于机器学习的城市供水用水量预测与优化研究

基于机器学习的城市供水用水量预测与优化研究近年来，随着城市化进程的加速和人口的不断增长，城市供水问题越来越突出。

如何准确预测和优化城市的供水用水量成为了供水部门和城市管理者面临的重要挑战。

为此，基于机器学习的城市供水用水量预测与优化研究应运而生。

机器学习是一种通过对数据进行训练和学习，从而自动识别和运用模式的方法。

在城市供水方面，机器学习算法可以通过对历史用水数据的分析和学习，建立预测模型，并据此进行用水量的预测和优化。

首先，基于机器学习的城市供水用水量预测可以从数据的角度出发，通过对历史用水数据的分析，找出用水量与时间、天气等因素之间的关系。

例如，可以利用回归算法建立用水量与温度、降雨量、人口等因素的数学模型。

通过这些模型，可以在给定未来时间段的天气和人口预测数据的基础上，准确预测未来的用水量。

这将为供水部门提供重要的参考信息，有助于合理安排供水计划和水源调配，提高供水能力和效率。

其次，基于机器学习的城市供水用水量预测还可以发挥在节水方面的作用。

通过分析历史用水数据和水费数据，可以建立用水量与不同因素的关系模型，找出用水量高的特征和用水量低的特征。

基于这些模型，可以对城市供水系统进行优化设计，减少供水压力和漏水率，降低用水成本和损失。

与此同时，还可以通过提供供水节水的提示和建议，引导市民在日常生活中合理使用水资源，共同参与节水行动。

基于机器学习的城市供水用水量预测与优化研究还可以应用于供水设施的维护和管理。

通过对供水设施的运行情况和故障数据进行分析和学习，可以建立设施的健康监测与预测模型。

这样，供水部门可以提前发现设施的潜在故障和异常情况，并采取相应的维护和修复措施，避免因设施故障而造成的供水中断和损失。

当然，基于机器学习的城市供水用水量预测与优化研究也面临着一些挑战。

首先，要进行准确的用水量预测，需要大量的历史用水数据和相关因素的数据。

然而，这些数据的质量和完整性可能存在不确定性，而且数据的获取和整理也需要耗费大量的时间和资源。

基于因子分析的BP神经网络对成都市需水量的预测

Ａｂｓｒｃ：ＤｕｎｈｒｃｓｆｌｎｉｇａｄｅｔｔｇｗｔｒｒｓｕｃｓｏｈｎｄｔａｔＨｇｔｅｐｏｅｓｏａｎｎｎｓｉｉａｅｅｏｒｅｆｅｇｕ，ｔｒｕｈｍａｎｃｍｐｎｎｓａａｙｉｉｗａｐｍａｎＣｈｏｇｉｏｏｅｔｎｌｓｓｔｓ
Ｋｅｗｏｄｓ：Ｗａｅｏｓｍｐｉｎｆｒｃｓ；ＢＰｎｕａｅｗｏｋ；ｍａｎｃｍｐｎｎｓａａｙｉ；ＭＡＴＡＢｙｒｔｒｃｎｕｔｏｅａｔｏｅｒｎｔｒｌｉｏｏｅｔｎｓｌｓＬ
水资源是人类文明的源泉，与人类的生存、发展和一切经济活动密切相关。水资源形成与演化及
量和供给量构成，而相比较之下，供给量在一定时期内稳定性较大，那么在区域水资源承载力的预测中，对需求量的预测具有重要意义Ｊ。在成都市各区市县《资源综合规划》的编水
２ｃｏｌｆＰｂｃＦｎｎｅ＆ＴｘｔｎＳｕｈｅｔｎＵｉｒｔＦｎｎｅ＆Ｅｏｏｃ，Ｃｅｇｕ１０１ｈｎ）．Ｓｈｏｏｕｌｉｃｉａａａｉ，ｏｔｗｓｒｎｅｉｏｉｃｏｅｖｓｙｆａｃｎｍｉｓｈｎｄ０３，Ｃｉ６ａ
着水资源配置的方式，如果需水量预测值大于实际用水量则会出现水资源的浪费现象，还会影响到政
开发和可持续利用不仅仅指水资源在人类的代际间
公平分配，同时还指当代人群之间、流域的上中下

几种需水量预测模型的比较研究

几种需水量预测模型的比较研究刘卫林【摘要】针对需水量预测具有受诸多因素影响的复杂非线性输入输出特性,提出了需水量预测的LS - SVM模型,以k- fold交叉验证法确定LS - SVM模型参数.将该模型应用于河北省南水北调受水区需水量预测中,并与BP神经网络模型以及多元回归模型的拟合、预测结果进行了对比分析.比较结果表明,LS - SVM的拟合精度虽然低于BP神经网络模型,但预测精度高于其他两种模型,因此,在训练样本较少的情况下,LS-SVM模型仍有较高的预测精度和较强的泛化能力,且在需水量预测方面具有很好的应用前景.【期刊名称】《人民长江》【年(卷),期】2011(042)013【总页数】4页(P19-22)【关键词】需水量预测;最小二乘支持向量机(LS -SVM);BP网络;多元回归模型【作者】刘卫林【作者单位】南昌工程学院水利工程研究中心,江西南昌330099【正文语种】中文【中图分类】TV211.1需水量预测是水资源规划与管理的重要内容之一，也是供水系统优化调度管理的重要部分。

由于我国需水量数据时间系列较短，且可靠性低，用常规的预测方法如定额法、时间序列、回归分析以及灰色预测等不仅工作量大，而且预测精度也很难保证［1］。

20世纪90年代以来，随着计算机技术的迅猛发展，一些基于数据挖掘的预测新方法，如人工神经网络(ANN)、支持向量机(SVM)等，由于具有良好的预测性能，在需水量预测中得到了广泛应用。

与传统基于经验风险最小化的神经网络方法相比，SVM具有收敛速度快、推广能力强和全局最优等特点，能更好地解决小样本、非线性、高维和局部极小值等实际问题，其学习结果一般好于其他的模式识别和回归预测方法［1-3］。

基于此，本文研究了基于少数据量建模的支持向量机方法，建立了最小二乘支持向量机(LS-SVM)的需水量预测模型。

1 基于LS-SVM的需水量预测模型1.1 基本原理LS-SVM的核函数有多项式函数、径向基函数(RBF)、Sigmoid 函数等。

基于贝叶斯BP神经网络的区间需水预测方法

·７６·
极小化，收敛速度比较慢，数据在传递过程中存在不确定性。上述需水预测方法得到的预测结果均是确定性的，属于点预测，不足之处在于不能准确预测用水量在未来时段的波动范围，在实际供用水过程中会出现影响预测的各种不确定因素，而区间预测［８］能够反映水资源需求的不确定性。
笔者提出一种基于贝叶斯准则［９］的ＢＰ神经网络区间需水预测模型，能描述未来预测结果的波动范围。该模型首先利用贝叶斯准则求取预测值的均值与方差，进而确定ＢＰ神经网络最优权值和阈值，避免ＢＰ神经网络陷于局部极小化；然后，通过构造目标函数对局部权值和阈值进行调整，解决ＢＰ神经网络算法收
ＩｎｔｅｒｖａｌＷａｔｅｒＤｅｍａｎｄＰｒｅｄｉｃｔｉｏｎＭｅｔｈｏｄＢａｓｅｄｏｎＢａｙｅｓｉａｎＢＰＮｅｔｗｏｒｋ
ＧＵＯＱｉａｎｇ，ＬＩＷｅｎｚｈｕ，ＬＩＵＸｉｎ（ＳｃｈｏｏｌｏｆＩｎｆｏｒｍａｔｉｏｎａｎｄＥｌｅｃｔｒｉｃａｌＥｎｇｉｎｅｅｒｉｎｇ，ＨｅｂｅｉＵｎｉｖｅｒｓｉｔｙｏｆＥｎｇｉｎｅｅｒｉｎｇ，Ｈａｎｄａｎ０５６０３８，Ｃｈｉｎａ）Ａｂｓｔｒａｃｔ：ＴｈｉｓｐａｐｅｒｕｓｅｄＢａｙｅｓｉａｎＢＰｎｅｕｒａｌｎｅｔｗｏｒｋｉｎｔｅｒｖａｌｐｒｅｄｉｃｔｉｏｎｍｅｔｈｏｄｔｏｐｒｅｄｉｃｔｔｈｅｃａｍｐｕｓｗａｔｅｒｃｏｎｓｕｍｐｔｉｏｎ．Ｆｉｒｓｔ，ｔｈｅＢＰｎｅｕｒａｌｎｅｔｗｏｒｋｗａｓｏｐｔｉｍｉｚｅｄｂｙｕｓｉｎｇＢａｙｅｓｉａｎｃｒｉｔｅｒｉｏｎ，ａｎｄｔｈｅｎｔｈｅｉｎｔｅｒｖａｌｐｒｅｄｉｃｔｉｏｎｗａｓｓｉｍｕｌａｔｅｄａｎｄｃｏｍｐａｒｅｄｗｉｔｈｔｈｅｔｒａｄｉｔｉｏｎａｌＢＰｐｒｅｄｉｃｔｉｏｎｍｅｔｈｏｄ．Ｔｈｅｒｅｓｕｌｔｓｓｈｏｗｔｈａｔｔｈｅｐｒｅｄｉｃｔｉｏｎａｃｃｕｒａｃｙｉｓ９６．７％；ｍｏｓｔｏｆｔｈｅｐｒｅｄｉｃｔｅｄｖａｌｕｅｓａｒｅｂａｓｉｃａｌｌｙｉｎａｇｒｅｅｍｅｎｔｗｉｔｈｔｈｅａｃｔｕａｌｗａｔｅｒｃｏｎｓｕｍｐｔｉｏｎｖａｌｕｅｓ．Ｔｈｅａｂｓｏｌｕｔｅｒｅｌａｔｉｖｅｅｒｒｏｒｉｓ１．６％ｏｎａｖｅｒａｇｅａｎｄｔｈｅｍａｘｉｍｕｍｐｒｅｄｉｃｔｉｏｎｅｒｒｏｒｉｓ４．２％．ＴｈｉｓｓｈｏｗｓｔｈａｔｔｈｅｐｒｏｐｏｓｅｄｍｅｔｈｏｄｎｏｔｏｎｌｙｃａｎｓｏｌｖｅｔｈｅｐｒｏｂｌｅｍｔｈａｔｔｈｅｔｒａｄｉｔｉｏｎａｌＢＰｎｅｕｒａｌｎｅｔｗｏｒｋｉｓｅａｓｙｔｏｆａｌｌｉｎｔｏｌｏｃａｌｍｉｎｉｍｉｚａｔｉｏｎａｎｄｃｏｎ⁃ ｖｅｒｇｅｎｃｅｓｐｅｅｄｉｓｓｌｏｗ，ｂｕｔａｌｓｏｃａｎｈａｖｅｓｏｍｅａｄｖａｎｔａｇｅｓ．Ｔｈｅｆｌｕｃｔｕａｔｉｏｎｒａｎｇｅｏｆｄａｉｌｙｗａｔｅｒｃｏｎｓｕｍｐｔｉｏｎｏｎｃａｍｐｕｓｉｓｆｏｒｅｃａｓｔｅｄｅｆｆｅｃ⁃ ｔｉｖｅｌｙ，ａｎｄｔｈｅｎｔｈｅｖａｌｉｄｉｔｙａｎｄａｃｃｕｒａｃｙｏｆｔｈｅｆｏｒｅｃａｓｔｉｎｇｍｅｔｈｏｄａｒｅｖｅｒｉｆｉｅｄ．Ｋｅｙｗｏｒｄｓ：ｗａｔｅｒｄｅｍａｎｄｆｏｒｅｃａｓｔｉｎｇ；ｉｎｔｅｒｖａｌｐｒｅｄｉｃｔｉｏｎ；Ｂａｙｅｓｃｒｉｔｅｒｉａ；ＢＰｎｅｕｒａｌｎｅｔｗｏｒｋ

基于循环神经网络的水质预测

基于循环神经网络的水质预测循环神经网络（Recurrent Neural Network, RNN）是一种能够对序列数据进行建模和预测的神经网络模型。

在水质监测和预测领域，循环神经网络的应用已经取得了显著的成果。

本文将探讨基于循环神经网络的水质预测方法，并分析其在实际应用中的优势和挑战。

首先，我们将介绍水质监测的重要性及其挑战。

随着人口增长和工业化进程，水资源面临着严重的污染问题。

对于保障人民健康和可持续发展，准确预测水质变化至关重要。

然而，由于水质受多种因素影响，并且存在着复杂的时空关系，传统统计方法在建模和预测方面存在一定局限性。

基于循环神经网络的水质预测方法能够有效地解决传统方法所面临的问题。

首先，循环神经网络能够捕捉到序列数据中存在的时序依赖关系。

对于时间序列数据而言，过去时刻与当前时刻之间存在着相关性，并且当前时刻与未来时刻之间也存在相关性。

循环神经网络通过引入循环连接，能够对序列数据进行逐个时刻的处理，从而更好地捕捉到时序依赖关系。

其次，循环神经网络能够处理变长的序列数据。

在水质监测中，观测数据的时间间隔可能不规则，并且观测点的数量也可能不同。

传统方法需要对数据进行预处理，将其转化为固定长度的向量才能进行建模和预测。

而循环神经网络可以直接接受变长序列作为输入，并且通过自适应地调整网络状态和参数来适应不同长度的输入序列。

另外，循环神经网络还能够处理多变量时间序列数据。

在水质监测中，除了时间因素外，还存在多个观测指标（如pH值、溶解氧、氨氮等）之间的相关性。

传统方法通常将每个指标视为独立变量进行建模和预测，并忽略了它们之间可能存在的关联关系。

而循环神经网络可以同时考虑多个变量之间的依赖关系，并通过共享参数来提取它们之间的相关性。

然而，在实际应用中，基于循环神经网络的水质预测也面临一些挑战。

首先，循环神经网络的训练过程相对复杂，需要大量的计算资源和时间。

特别是对于大规模的水质监测数据集，网络的训练可能需要数小时甚至数天。

基于BP神经网络模型预测区域需水量

具有非常重要的现实意义。区域需水量的预测工作是供水系统优化调度先决条件和必备条件，为国家在水利方面的宏观和微观决策提供参考，加快建设节水型社会的步伐，现经济的快速增长、实稳定和健康发展。图１为区域水资源供需关系。
定因素考虑。最终确定区域生活用水量的主要影响因素为：区域总人口、镇人口、村人口、城农城
镇人均可支配收入、村人均纯收入、均ＧＰ农人Ｄ
。
业水价、水回用率、污污水处理设施完善程度对工业用水量也有微弱的影响。区域工业需水量ＢＰ神经网络预测模型中采用输入参数如图４。
图３生活需水量ＢＰ神经网络预测模型输入参数图
区域生产需水量分为工业生产需水量和农业
生产需水量两大类，其中在工业需水量中按工业用水特点，分为火力发电工业用水和一般工业用水，是指所取用的是新鲜水量，包含工业内部都不的水的重复利用量。随着工业的发展，业生产规工模的进一步扩大，水量也会不断增加，业规模需工的扩大主要表现在工业产值上，这里指的是一般工业。在电力工业上，主要体现在发电量上。电火行业用水量也是区域工业部门用水量的重要组成部分。工业用水重复利用率虽然也是工业用水量

基于风险因子层次分析法的生态环境需水量模糊神经网络模型

方法主要有环境功能设定法、河流基本生态环境需水量计算法、最枯月平均流量法、量补充法、设法水假等，其计算公式大多依托水文与水力学知识进行推导建立．综观国内外有关生态与环境需水量方面的研究，在随着数学、流体力学等基础学科发展而取得广泛
级开发的龙头电站—— 龙羊峡水电站为样本资料，用多因子层次分析法（ａｙｉｌＨｉｒｒｈ采ＡｎｌｔａｃｅａｃｙＰｏｅｓｒｃｓ，ＡＨＰ量化生态与环境需水量各风险因子间的相互作用关系，）由此建立流域梯级开发模式下的生态与环境需水量模糊神经网络（ｕｚｕａＮｅｗｏｋ，ＦＦｚｙＮｅｒｌｔｒＮＮ）型，模有效消除随机赋予输入层因子初始权值对模型结果的影响，实现多因子共同作用下对梯级开发的生态环境需水量的预测和风险分
于风险因子层次分析法的生态环境需水量模糊神经网络模型；用层次分析法分析生态环境需水量风险因采子间的相互作用，立其量化指标组合权重关系，将权重值作为所建Ｆ建并ＮＮ模型的初始权值输入，而有效从消除了系统随机赋予初始权值对ＦＮＮ模型结果的影响，以黄河上游龙羊峡河段为例，行模型拟合与风并进险分析．果表明，建模型合理可行，拟合精度较高，有较强的工程实用价值．结所其具关键词：态环境需水量；次分析法；糊神经网络；险分析；级开发生层模风梯

基于深度学习的居民用水量预测研究

基于深度学习的居民用水量预测研究随着人们生活水平的不断提高，用水量也越来越庞大。

在水资源紧缺的情况下，如何进行水资源合理利用以及减少浪费，已经成为各个国家和地区所关注的问题之一。

近年来，随着深度学习技术在各个领域的广泛应用，基于深度学习的居民用水量预测也成为了研究的热点问题之一。

本文将从预测模型的构建、特征工程和实验结果三个方面来探讨基于深度学习的居民用水量预测的研究。

一、预测模型的构建在基于深度学习的居民用水量预测中，预测模型的构建是至关重要的一环。

在构建预测模型时，需要考虑到数据的类型、模型的结构以及选择合适的优化算法。

常见的预测模型包括卷积神经网络（CNN）、长短时记忆网络（LSTM）和深度神经网络（DNN）等。

其中，LSTM模型在序列预测方面表现优异，因此在居民用水量预测中被广泛应用。

除了选择合适的模型结构之外，还需要考虑数据的类型以及如何进行特征工程。

在居民用水量预测中，常见的数据类型包括水表数据、气象数据和人口数据等。

这些数据可以通过特定的方式进行融合，以提高预测模型的准确性。

在进行特征工程时，需要考虑数据之间的相关性以及如何降低特征的维度，以加快模型训练的速度。

二、特征工程特征工程是居民用水量预测中非常关键的一环。

通过特定的方式进行特征工程，可以大大降低数据维度，减少特征冗余，提高模型预测的准确性。

在居民用水量预测中，常见的特征工程方式包括时间序列分析、主成分分析和特征选择等。

时间序列分析可以将居民用水量数据分解为趋势、季节性和随机性三部分，以便更好地进行特征工程。

主成分分析可以降低特征的维度，使其易于处理。

特征选择可以筛选出最具影响力的特征，并降低模型过拟合的风险。

因此，在居民用水量预测中，特征工程是非常重要的一环，决定了模型预测的准确性。

三、实验结果在进行基于深度学习的居民用水量预测时，需要使用已有的数据进行预测模型的训练和测试。

通过对比实验结果，可以评估模型的预测准确性。

在实验过程中，需要设定训练集和测试集，并使用合适的评估指标进行模型性能的评估。

基于非均匀变异算子改进遗传算法的成都市水资源优化配置研究

作用下ꎬ群体的多样性在进化过程中会逐步降低ꎬ
资源配置效率和综合利用水平ꎮ 本文进行成都市
容易出现“ 早熟收敛” 现象 [８] ꎮ
遗传算法包括选择、交叉和变异三个算子ꎬ选
择算子可采用赌轮法的操作策略ꎬ以较大概率保
水资源优化配置的目标函数如式(４) 所示ꎮ
ｎ æ ＣＩｎｄｕｓｔｒｙꎬｉＷＩｎｄｕｓｔｒｙꎬｉ＋ＣＡｇｒｉｃｕｌｔｕｒｅꎬｉＷＡｇｒｉｃｕｌｔｕｒｅꎬｉ ö
进行节水挖潜和兴建引大济岷工程后ꎬ区域供水
是有保障的ꎮ 岷江都江堰为已成水利工程ꎬ随着
紫坪铺水库的优化调度ꎬ区域骨干渠系节水改造
的完成ꎬ规划年都江堰通过调度是可以满足成都
市配置水量要求的ꎮ 大渡河、青衣江水源丰沛ꎬ开
发利用潜力很大ꎬ目前正在按照四川省人民政府
的要求ꎬ正积极开展前期工作ꎬ确保分期建设ꎬ尽
３１１９
２５２４０２
全市
８４４５１
３１２９６７
１５０９１６
１１８４６
５６０１８０
表２
２０１８年成都市供水量
单位:万ｍ３
地表水
行政区
经济增长ꎬ城市建成区范围扩大ꎬ成都市水资源形
势日益严峻ꎮ
工业用水
２０１８年成都市用水量
地下水
其它
合计
５８１０４
６８９
０
５８７９２
１５６１４
２３９３３３
８８０７２５
吸引域内ꎻ随着ｇ的增加ꎬ群体逐渐集中到最优点
的吸引域内ꎬ从而避免算法的过早收敛ꎻ后期再进
局部搜索ꎬ直至找到全局最优点 [１０] ꎮ
３模型建立及求解过程
３１模型的建立
３１１目标函数
成都市水资源配置问题需要结合成都市城市

1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。

因子列于表１。表１部分年份成都市需水量影响因子统计
影响。由于成都地区的各级水务部门是以正式的水资源规划（过当地规委会）依据向都江堰管理局申请配水额度，通为因此，何准确有效地进行河道外需水量的预测，得尤为重要。如显本文通过主成分分析及ＢＰ人工神经网络模型建模的方法对成都市区未来的需水量进行科学地定量预测，而对水资源从规划的编制起到参考作用。
口，人；为第一产业增加值，元；为第二产业增加值，万万万元；第三产业增加值，Ｘ为万元；为耕地面积，ｈＸ为城万ｍ；市建成区面积，ｍ；，给水管道长度，ｍ；为工业废水排ｋＸ为ｋＸ放量，ｔＸ排水管道长度，ｍ。然后以年份（９０年至２０万；。ｋ１９０９年）为时间序列，出各个因子所含的数据，将部分年份的作列现
年人口）增增值增值份（Ｘ加值加加（Ｘ）（）２３
１０９９５９１．０４．９０５６７．７７Ｏ
积。区积总度排量总Ｘ）４
７，６６４
（Ｘ）（６Ｘ）７
摘要：对四川省成都市的水资源进行综合规划与评价的过程中，过主成分因子分析发现，口、Ｄ、在通人ＧＰ给排水管道长度等因素对需水量预测有较大影响，何建立这些因素与需水量之间的数学关系是预测工作的重如
出现用水缺口，致该地区国民经济的发展和人民的生活受到导
根据可靠性、分性和可测性的原则，合《都市统计年充结成鉴》１９２０）选定以下９个指标作为影响因子：（９０～０９，为人
点。介绍通过ＭＡＬＢ数学分析软件建立ＢＴＡＰ神经网络预测模型，对模型的预测结果进行评价。并关键词：水量预测；Ｐ神经网络；成分分析；ＭＴＡ需Ｂ主ＡＬＢ
水资源是人类文明的源泉，与人类的生存、展和一切经发
济活动密切相关。由于水资源的可再生性，亦是生态环境的它
本地水资源量５３３未计过境水资源）５．８ｍ（。
有机组成和控制性因素。水资源形成与演化及开发和可持续利用不仅仅指水资源在人类的代际间公平分配，时还指当代人同群之间、域的上中下游之间和跨流域之间水资源的合理分配，流与区域社会经济、境协调发展，且也是水资源可再生性维持环并的最基本的科学问题 … 。一般而言，个区域的水资源承载能一力主要是由水资源的需求量和供给量构成，比较之下，给量相供
奠定基础。
中，需求量的预测具有重要意义。对在成都市各县市区《资源综合规划》编制过程中，道水的河外需水量预测一直是整个项目的核心内容，时也是难点。规同划水平年内河道外需水量的大小决定着水资源配置的方式及今后节水工作的安排，果需水量预测值大于实际用水量则会出如现水资源的浪费现象，会影响到政府相关部门在节水型社会还建设上的工作进度；果需水量预测值小于实际的用水量则会如
《水资源研究》３第２卷第２期（总第１９期）０１年６月１２１
基于因子分析的ＢＰ神经网络对成都市需水量预测研究
冯琨，永丽张
（四川大学建筑与环境学院，四川成都６０６）１０５
在一定时期内稳定性较大，而，区域水资源承载力的预测因在
２需水量影响因子分析
２１影响因子的确定．
影响一个城市（括区县）水量的因素有很多，般可以包需一从社会因素和自然因素两方面来考虑。水资源需求量可以通过若干特征变量来反映，这些特征变量定为评价指标，么这些把那指标就成为预测水资源需求量的指示器，水资源的优化配置为