基于主要驱动因子筛选法和深度学习算法的浙江省动态需水量预测

收集了浙江省2000—2020年各用水行业需水量数据,采用基于Spearman秩相关分析的主要驱动因子筛选法筛选了影响各行业需水量的主要驱动因子,进而构造了改进的长短时记忆(LSTM)神经网络需水量预测模型,对各行业需水量进行动态滚动预测,并将改进LSTM模型的预测结果与传统单变量LSTM预测模型、卷积神经网络模型、支持向量回归模型的预测结果进行了对比。结果表明,基于主要驱动因子筛选法改进的LSTM模型能实时动态滚动预测各行业每年需水量,且预测结果精度高于其他3种模型。

基于CIWOA-BP和灰色置信区间的银川市需水量预测模型

需水量预测是水资源科学配置和调度的基础,为提高其合理性,针对需水量变化的波动、不确定性特点,提出一种改进鲸鱼算法(CIWOA)优化BP神经网络与灰色置信区间估计相结合的需水量区间预测模型。利用灰色关联分析筛选需水量影响因子,输入CUBIC混沌映射和自适应权重改进的鲸鱼算法优化BP模型(CIWOA-BP),结合灰色置信区间估计建立组合区间预测模型,对银川市需水量进行模拟预测。结果表明:CIWOA-BP模型预测精度高于普通鲸鱼算法优化BP模型(WOA-BP)、遗传算法优化BP模型(GA-BP);CIWOA-BP模型与灰色置信区间的组合模型优于其与BOOTSTRAP区间估计组合,在置信度90%时需水量区间预测合理、可靠。

基于机器学习的城市短期需水量预测研究

城市水资源的合理利用是支撑城市快速发展和保障居民生活的重要基础,而有效的城市短期需水量预测是城市水资源合理利用的前提。针对某市供水区域的实际供水情况分别预测日需水量和30 min间隔时需水量。先用箱型图法判别历史数据异常值并回溯校正数据,再用随机森林特征重要度法分析特征。采用人工神经网络模型和随机森林模型预测日需水量的对比结果表明,随机森林模型的预测精度较高,预测结果的平均绝对百分比误差在3%以下。使用Prophet模型预测30 min间隔的时需水量,可为供水系统实时调度运行提供依据。

京津冀城市群需水量预测与供水工程建设措施研究

京津冀城市群属于严重缺水地区,对其需水量进行科学合理预测是水务部门规划建设未来供水工程项目的前提和基础。针对京津冀城市群需水量开展预测研究,确定与经济、社会、用水和资源可用性相关的解释变量,利用京津冀城市群2004~2020年数据,建立了6种机器学习需水量预测模型,构建预测情景以寻求最优预测模型;根据京津冀城市群可供水量数据,测算出2021~2025年供需差。结果表明:XGBoost模型性能最好,误差最低,预测准确率达99.98%;预测京津冀城市群2021~2025年年均需水量较往年略有下降,在250.6亿m 3左右波动;2021~2025年供水工程供需缺口总量预计约6亿m 3。针对京津冀城市群供水工程规划建设,建议从持续推进南水北调工程建设、统筹协调绿色节水型城市建设和不断优化城市群供水管网建设等方面开展。

基于BP神经网络和GM(1,1)模型的银川市需水量预测分析

本文基于银川市2001—2020年统计数据,分析了影响城市需水量的关键因素及其相关性,分别构建了BP神经网络和GM(1,1)需水预测模型并进行了精度分析。结果表明:需水量与人均用水量呈极显著正相关,相关系数0.723(P=0.01);BP神经网络预测模型模拟精度为0.16%~1.15%,均方根误差(RMSE)和平均绝对百分比误差(MAPE)分别为0.1015和0.23%;构建了GM(1,1)预测模型x^((1))(k)=(x^((0))(1)-b/a)e^(-a(k-1))+b/a=-2870.427e^(-0.009(k-1))+2895.333,精度为Ⅱ级,模拟平均误差1.03%,RMSE和MAPE分别为0.4748和1.56%。分析认为BP神经网络模型更适用于银川市需水量的预测。

基于小波分析理论组合模型的农业需水量预测

为了提高农业需水量(非平稳时间序列)的预测精度,该文运用小波分析理论,将农业需水量这一时间序列用小波分解到不同尺度上以减少原始序列的随机性,然后用灰色预测法和时间序列预测法对重构后的时间序列进行预测。将小波分析理论、灰色预测理论和时间序列预测法组合进行需水量的预测,为原始非平稳时间序列的预测应用拓展了空间。以鄂尔多斯市的农业需水量预测为例对该方法作了验证,2009年数据检验结果表明该组合预测模型精度较高,相对误差小于3%,为农业需水量的预测提供了一种新方法,对鄂尔多斯市的水资源合理地利用、规划和管理以及促进区域社会经济的可持续发展具有重要的意义。

基于T-S模型的模糊神经网络城市需水量预测方法研究

针对需水量预测的非线性、随机性和模糊性等特点,引入模糊系统理论,建立了基于T-S模型的模糊神经网络需水量预测模型。该模型将模糊系统良好的模糊知识表达能力与神经网络强大的自学习和自适应能力有机结合,具有逼近最优、收敛速度快、训练时间短等优点。应用该模型预测了天津市2015年的需水量。结果表明,采用基于T-S模型的模糊神经网络方法进行需水量预测的拟合与预测平均相对误差分别为3.39%和2.67%。将该模型与BP神经网络和非线性回归方法的预测结果进行对比分析,该模型的拟合与预测精度最高。

改进的灰色模型在城市工业需水量预测中的应用

目的为进一步提高城市工业需水量预测的应用水平。方法综合分析灰色GM(1,1)模型在需水预测应用中存在的问题,结合残差修正以及等维递补的原理,建立了改进的灰色模型以对城市工业需水量进行预测。结果基于两种不同的灰色模型,得出了宝鸡市城市工业需水量的两组不同的预测值,并对该预测结果进行了精度检验与对比分析。结论建立改进的灰色模型通用性较好,在数据变化较大的情况下使用,仍具有较好的预测精度,取得了较为满意的预测结果,有益于区域水资源综合规划以及中长期供水计划的制定。

基于BP神经网络的桂林生态城市建设需水量预测

根据桂林市经济社会历年统计的主要指标数据,运用SPSS社会科学统计软件分析并选取出桂林市辖区生态城市建设需水量的显著性影响因子,采用改进的归一化进行非线性规格化数据处理,基于Matlab建立BP神经网络模型,预测桂林市辖区生态城市建设需水量,结果表明,预测结果与原始数据的平均相对误差为1.19%,最大为2.08%,最小为0.28%。该模型具有较高的预测精度和良好的泛化能力,BP神经网络与SPSS软件优化组合模型,可用于需水量预测。

城市需水量预测方法比较

为了提高城市需水量预测的精度,基于北京市2000—2011年的实际用水量数据,对比分析了BP神经网络预测模型、灰色GM(1,1)模型、非线性趋势模型和灰色-神经-趋势组合预测模型及其基于马尔科夫修正的各单项模型需水量预测结果。结果表明:组合预测模型优于各单项模型,基于马尔科夫修正的各模型优于各未修正预测模型。基于马尔科夫修正的灰色-神经-趋势组合预测模型预测精度最高、效果最好。

城市需水量预测方法及应用研究——以哈尔滨需水量预测为例

通过几种常用需水量预测方法的分析研究,根据其各自特点得出在城市规划中通常采用人均综合用水量指标法、分类用水指标法和年增长率法进行需水量预测。并以哈尔滨需水量预测为例说明各种预测方法的应用,为其它城市进行城市需水量预测时提供参考。

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．

基于RBF神经网络的农业需水量预测

介绍了径向基函数神经网络的原理、训练算法,建立的径向基函数神经网络农业需水量预测模型具有较强的非线性处理能力和逼近能力,运算速度快、性能稳定,克服了BP神经网络学习过程的收敛过分依赖于初值和可能出现局部收敛的缺陷,预测精度较高,泛化能力强。

基于灰色系统理论的几种需水量预测方法分析

在灰色系统理论下,运用几种方法弱化原始需水量数据,并进行对比分析。分析表明二阶弱化算子修正与累加生成相结合的方法精度较高,最终验证了该模型应用于重庆市北碚区需水量预测的可行性及有效性,预测2015年北碚区需水量为2.45亿m3,2020年北碚区需水量为2.69亿m3。

天津市需水量预测研究

需水预测关系到对未来水资源供需紧张程度的认识,不仅是不同水平年水资源供需的重要环节,也是城市规划、供水规划和实现水资源可持续发展的一项基础工作。天津市是严重资源型缺水城市,科学、有效的需水量预测研究就尤为重要。本文以1991-2005年统计数据为基础,通过比较多种预测模型,选用指数模型和移动平均数法建立城市需水量综合动态模型,预测到2020年,天津城市总需水量将达到26.91亿m3。在此基础上,分析了提高城镇人均工业产值和农村人均农业产值增长率,对工业和农业需水量的影响。结果显示,在保持高工业增长条件下,保持适当的农业产值增长,可缓解对水资源造成压力。

需水量预测技术方法文献分析及其应用综述

准确的需水量预测是合理分配水资源、促进水资源合理开发利用的基础。为了解国内外需水量预测技术应用现状,利用知识图谱可视化软件VOSviewer,对2000—2021年需水量预测研究文献关键词进行可视化分析,分类归纳并对比分析了常用方法的适用性、局限性以及在我国不同行业中的应用情况。结果表明:人工神经网络法、回归分析法、灰色预测法是国内外经济社会需水量预测研究中常用的技术方法;需水定额法与人工神经网络法、回归分析法、灰色预测法是国内具有关联性的常用方法;各类方法在行业需水研究中均有其优势和局限性,人工神经网络和灰色理论及其改进耦合模型的研究较多,定额法在应用研究和实际管理中多被采用。未来随着大数据和智能算法的广泛应用,应优化数学模型参数和需水定额,以提高需水量预测的准确性。

城市需水量预测需注意的几个问题

分析了城市用水的变化趋势,认为人均用水量指标并不是随着经济的发展持续上升,应科学判断城市的用水发展趋势;指出应该正确认识指标的适用期限;研究发现不同的统计口径会造成需水量预测结果的偏差,现状用水人口数应与总体规划保持一致,按照城镇人口的数量计算;最后提出自备水源对用水指标的影响较大,应认真分析,合理取舍。

宁夏社会经济及生态需水量预测

利用定额法、趋势预测法等不同的研究方法对宁夏的生活、生产及生态需水量进行了预测,确定了宁夏地区未来不同水平年、不同降水频率下的需水总量。结果表明:宁夏生活需水量与第二、三产业需水量呈增长趋势,但是由于农业需水量下降较大,使宁夏总需水量呈下降趋势。需水量预测结果为宁夏的水资源配置和产业结构调整提供了基础依据。

基于改进型BP神经网络马尔科夫模型的区域需水量预测

为提高需水量预测的精确度,应用了一种BP神经网络与马尔科夫相结合的预测模型,介绍了它的基本原理及算法,并给出了该模型建立的具体过程,最后该模型被应用于需水量预测工作中,计算证明取得了较好的效果。

集对分析聚类预测法在城市生活需水量预测中的应用

集对分析聚类预测法结合了集对分析中的同异反模式识别的"择近原则"和聚类分析的基本思想进行分类预测。基于该方法给出了城市生活需水量的详细方法预测,在分析过程中考虑了城市生活需水量与其影响因素之间的关系,利用城市生活用水总量和影响因素的历史数据,建立了城市生活需水量聚类预测的模型,并利用我国北京市的实际数据进行了分析计算。结果表明,该预测方法应用于城市生活需水量预测思路清晰,计算简单且精度较高,该预测方法具有较高的实用价值。