基于LSTM-NeuralProphet模型的城市需水预测方法研究

城市水资源规划和管理是确保城市可持续发展和居民生活基本需求得到满足的关键环节,城市短期需水预测是城市水资源规划和管理的基础。由于气温、降水量和蒸发量等随季节变化明显,直接影响不同季节的用水峰值、高峰期,导致传统基于时间序列算法的固定时隙预测无法适应时隙的变化,从而不能保证预测精度。针对固定时隙预测精度低的问题,研究了基于四季24 h时间分辨率和夏季15 min时间分辨率的双时间尺度城市短期需水预测模型。该模型使用Anomaly-Transformer模型进行异常值检测,并通过分段曲线拟合对异常值校正,采用主成分分析法对城市短期需水影响因子进行分析提取主成分,在AutoML的标准模型分析中选取三个效果最好的模型作为Stacking模型的基学习器再结合长短期记忆网络(Long Short-Term Memory,LSTM)和Optune框架超参数优化后的NeuralProphet模型对双时间尺度的城市短期需水量进行预测,同时加入安全网机制,以保证LSTM-NeuralProphet模型的精确度。与其他模型(LSTM模型、NeuralProphet模型、BP神经网络模型)相比,LSTM-NeuralProphet模型的平均绝对误差在四季24 h时间分辨率的数据集上降低了0.18%~1.96%,在夏季15 min时间分辨率的数据集上降低了0.45%~11.90%。实验结果表明,LSTM-NeuralProphet模型具有更好的拟合效果和更高的预测精度,能较准确地预测双时间尺度下的城市需水量,可以较好地应用于城市短期需水预测研究中。

灰狼优化算法在城市需水预测模型中的应用

城市需水预测是城市水资源规划、管理、决策的重要依据。为提升需水预测的准确性,提出一种基于最小二乘支持向量机(LSSVM)的非线性预测模型。针对灰狼优化算法(GWO)寻优过程易陷入局部最优的问题,采用一般性反向学习与非线性控制参数对其进行改进,以提升全局优化性能。改进后的GWO算法更适合应用于非线性模型参数的拟合,因此将其引入LSSVM需水预测模型,用来拟合模型的超参数。采用上海市近年来城市供水数据来检验模型,仿真结果表明提出的城市需水预测模型平均相对误差为0.78%,最大相对误差为1.37%,具有良好的泛化能力,可作为需水预测的一种有效方法。

基于加权灰色-马尔可夫链模型的城市需水预测

城市需水量预测是区域水资源规划及优化配置的基础内容。在基于灰色GM(1,1)模型预测城市需水量总体趋势的基础上,引入加权马尔可夫链预测理论,建立了加权灰色马尔可夫GM(1,1)预测模型。该模型既考虑了GM(1,1)模型较强的处理单调数列的特性,又考虑了通过相对误差的状态转移概率矩阵的变换提取数据随机波动响应的特点。成都市城市需水量预测结果表明:加权灰色马尔可夫GM(1,1)模型充分利用需水量数据给予的信息,实现了对相对误差的状态转移的预测,并提高了修正灰色模型预测值的精度;通过与其它2种灰色预测模型预测结果比较,加权灰色马尔可夫GM(1,1)模型精度更高,预测得到2012年和2013年成都市城市需水量分别为74 250.91万m3和79 818.34万m3,呈明显增长趋势。因此该模型提高了随机波动较大数据序列的预测精度,拓宽了传统灰色模型预测的应用范围,更具科学性。

城市需水预测方法研究

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,并将这两种方法应用到天津市需水预测的实证研究中.通过对这两种方法进行比较.发现在相关因素数据比较齐全时,模糊神经网络有比较好的模拟结果.

粒子群算法在城市需水预测模型中的应用

需水预测是确定城市水资源规划和管理决策的重要依据,其预测精度受到诸多因素的影响,具有较大的不确定性和模糊性。作为一种新型集群智能进化算法,粒子群优化算法具有容易理解,易于实现,不要求目标函数和优化条件可微等特点,十分适合应用于非线性模型参数的拟合问题中,因此本文将其引入需水预测领域,用来拟合需水预测指数模型中的参数并应用两篇文献中的实例检验建立的模型。检验结果表明,相对于复杂模型,用粒子群算法拟合该模型不仅容易实现而且具有更高的预测精度,因此在需水预测中有很强的适用性。

灰色季节变动指数GSVI(1,1)模型在城市需水预测中的应用研究

文章采用灰色季节变动指数模型对辽宁中部某城市需水进行预测,并结合水资源监控采集数据对模型的预测精度进行了对比分析。分析结果表明:灰色季节变动指数模型适用于城市需水的预测,模型预测各季节需水量和实际用水情况吻合度较高,计算误差均值在8.61%~10.01%,各年份计算误差小于15%;模型结合季节变动指数对需水进行预测,可实现城市需水季节性变化的动态预测。研究方法对具有季节性变化特点的需水量预测具有参考价值。

分布式城市需水预测模型

城市需水过程和城市土地利用单元的类型密切相关,不同建设用地类型对水资源的需求强度具有显著差异.本研究基于8类城市建设用地与3类主要城市需水过程的空间关系建立了分布式城市需水预测模型.以厦门市为对象进行模型的应用研究,通过PEST软件(parameter estimation)率定了建设用地单元上的需水参数,分析了参数的合理性,预测了厦门市2020年城市的需水总量及其空间分布.结果表明厦门市2020年的城市需水总量将达到36657万吨,比2014年增长24.17%;居民用地和工业用地的需水强度大于其他建设用地类型,厦门岛内居民用地的需水强度远大于厦门市其他行政区居民用地的需水强度.厦门市城市建成区需水量的空间分布与人口密度具有很好的相关性,不同用地类型上需水强度差异明显.

城市需水的智能预测方法研究

选取对城市用水影响较大的因素作为预测指标,通过HP滤波分析其指标及用水量的趋势成分及波动成分。应用多元线性回归法对趋势性成分进行模拟,应用模糊神经网络对波动性成分进行网络训练,以获得城市需水的总预测值。以大连市1980~2000年用水及其相关因子为例建模,以2001~2007年指标对模型进行检验,预测了大连市2010、2020年的需水值,为城市水资源规划提供一定的理论支持。

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。

城市需水量预测模型的评价和选优研究

在系统研究国内外城市需水量预测方法和模型的基础上,对各种预测方法和模型进行了归类,并重点分析评价了自适应过滤模型、回归分析模型、灰色预测模型、组合预测模型、系统动力学模型、人工神经网络模型、支持向量机模型等目前几种常用的预测模型,比较了各模型的预测效果、精度、应用条件等,最后探讨了实际运用中预测模型的选优问题,为具体情况下预测方法的选择提供了参考。

基于遗传-神经网络的城市需水量预测方法研究

为了实现城市可持续发展,城市需水量预测极为重要。针对目前常用的灰色预测方法,从建模机理出发,指出了灰色建模中存在的不足。本文将人工神经网络原理引入城市需水量预测中,并针对BP网络收敛速度慢、易陷入局部极小的缺陷,提出了基于GA和BP的预测模型,实例研究表明该模型是一种行之有效的城市需水量预测模型。

一种城市需水量预测的模糊认知图方法

系统运作的状态数据是复杂因素相互作用的产物,需水量的变化受到多种因素相互影响。传统的基于时间序列预测方法预测变量较单一,忽略了系统各因素的因果关系。因此,文中提出了一种新的预测方法—模糊认知图(FCM),其恰好拥有这种特性,它是一种带权重值的模糊反馈推理机制,量化表示概念间的因果关系,模拟整个系统运转。文中将模糊认知图和遗传算法相结合构建城市需水量模型,搜集整理了2001-2010年间的数据进行训练,最后采用2011-2015年间的数据来进行验证与测试。结果表明:在五年平均相对误差方面,非线性趋势模型为5.91%,BP神经网络为1.83%,提出的方法为1.34%,因此所提方法的预测精度较高、泛化性能良好。根据实验数据分析可得,未来济南市对于水资源进行管理时,要在合理把控万元国内生产总值用水量和万元工业增加值用水量的同时,加大城市工业用水重复率和居民生活用水回收率。该模型为城市需水量的预测和分析提供了一种更有效的方法。

基于COBP模型的城市短期需水量预测研究

针对城市需水量预测中时间序列的非线性特性及传统BP网络预测收敛速度慢易陷入局部极小值等问题,将Chaos理论和BP神经网络理论相结合,提出了一种基于Chaos-BP理论的城市短期需水量COBP(ChaosBackPropagtion)预测模型。利用重构相空间的嵌入维数确定COBP网络的结构,通过混沌优化搜索,找到BP神经网络权值的全局最优值,并对其输出的“尖点”预测值进行混沌参数控制,实现城市短期需水量的预测。仿真分析表明,与传统预测模型相比,COBP预测模型所需训练数据样本少,收敛速度快、易达到全局最小值,预测结果整体误差的指标良好,呈现良好的综合预测性能。

基于灰色GM(1,1)模型的城市需水量预测研究

介绍灰色理论建模原理以及参数辨识方法,从年度用水量本身挖掘有用的信息,依据长治市1996年~2004年用水资料建立了灰色GM（1,1）预测模型,经检验模型精度达到96.4%,并用该模型对城市需水量进行了预测。预测结果表明,该模型用于城市需水量预测,符合其灰色特性,可检验,适用性好,可为长治市水资源规划与管理提供必要的参考。

基于修正组合模型的青海省城市需水量预测

根据城市用水量系统具有非线性和随机波动性的特点,为了充分发挥组合灰色神经网络预测模型能够综合单变量预测及非线性处理的优势,同时降低组合权系数计算方法的不确定性对模型预测效果的影响,论文提出了基于马尔科夫链修正的组合灰色神经网络预测模型。将其应用于1980—2009年青海省城市用水量序列的拟合分析,并预测其2010、2015以及2020年的城市需水量。结果表明:基于马尔科夫链修正的组合灰色神经网络预测模型预测结果的误差更小,精度更高。

System Dynamics Approach to Urban Water Demand Forecasting—A Case Study of Tianjin

A system dynamics approach to urban water demand forecasting was developed based on the analysis of urban water resources system, which was characterized by multi-feedback and nonlinear interactions among sys-tem elements. As an example, Tianjin water resources system dynamic model was set up to forecast water resources demand of the planning years. The practical verification showed that the relative error was lower than 10%. Fur-thermore, through the comparison and analysis of the simulation results under different development modes pre-sented in this paper, the forecasting results of the water resources demand of Tianjin was achieved based on sustain-able utilization strategy of water resources.