城市日用水量预测的组合动态建模方法

本文根据城市用水量的影响因素及特点，利用统计预测理论，建立了日用水量的动态组合模型。通过逐步回归分析方法剔除次要影响因素，并采用卡尔曼滤波方法动态预测回归残差项。经沈阳市实例验证，该法预测误差小，可满足供水系统调度的实际需要。

基于径向基函数的城市日用水量预测方法

结合城市日用水量影响因素的特点和变化规律,分析探讨了城市日用水量预测模型的求解方法．建立日用水量和其相关因素之间的预测模型,分别采用径向基函数(RBF)网络算法与支持向量机(SVM)回归法求解该预测模型．RBF网络具有结构自适应确定,输出不依赖初始权值的优良特性;SVM回归法采用结构风险最小化准则 (SRM),以统计学习理论作为理论基础,运算速度快,泛化能力强,预测精度高．通过分析验证的结果,证明了该日用水量预测模型的可行性,采用RBF和SVM两种求解方法均能得到满意的结果．

基于粒子群优化算法的城市日用水量预测模型

结合城市日用水量影响因素的特点和变化规律,建立了城市日用水量预测模型,采用粒子群优化算法优化BP人工神经网络的连接权值,以求解该预测模型。经优化后的BP人工神经网络运算速度快、泛化能力强、预测精度高。实例验证结果证明该日用水量预测模型和求解方法是可行的。

蚂蚁算法在日用水量预测中的应用研究

城市日用水量预测是城市供水管网系统动态模拟的基础和前提,用神经网络对城市日用水量预测的非线性回归组合模型求解的过程中,提出了采用新型的仿生算法——蚂蚁算法来训练神经网络的权值.此方法简化了训练过程,避免了BP算法易陷于局部极值等问题.将经过蚂蚁算法训练的神经网络应用到S.X市日用水量预测模型中,显示了此网络模型具有良好的预测能力,验证了基于蚂蚁算法的神经网络在城市日用水量的预测中具有有效性和可行性.

城市日用水量需求预测的等维新息SVR建模方法

针对社会经济因素和气象因素对城市日用水量需求的复杂非线性影响以及这种影响的动态变化特性,提出一种基于等维新息的支持向量回归(SVR)预测建模方法并用于城市日用水量需求预测.鉴于传统留一交叉验证法确定SVR模型参数时,存在样本分组数过少及容易出现预测误差评价失真等问题,采用测试集的等维新息SVR模型预测结果,提出了一种基于等维样本集的概率统计参数确定方法.实例分析表明:SVR模型的引入及新的参数确定方法的提出有利于提高城市日用水量需求预测精度.

城市日用水量主影响因素粗集理论分析方法

为克服传统粗糙集变精度算法和动态约简算法在城市日用水量主影响因素分析中的"伪"约简属性存在问题,利用权值累积评价因子的概念,提出新的城市日用水量属性约简求解算法.利用改进的属性约简算法对国内某城市日用水量观测系统的主影响因素进行分析讨论.实例分析表明:新的属性约简算法较大程度上克服了传统约简算法结果中"伪"约简属性的存在,实例城市的日用水量主影响因素为最高温度,相对湿度,阴晴量,星期量.预测验证结果也表明了所提出的主影响因素分析方法具有其合理性.

基于最小二乘支持向量机的选煤厂日用水量短期预测

针对选煤厂日用水量时间序列的预测问题,提出应用最小二乘支持向量机(LSSVM)这一新的机器学习方法来实现日用水量的短期预测.借鉴多层动态自适应优化算法的思想,提出最小二乘支持向量机参数优化的多层动态交叉验证法;用微熵率法求得选煤厂日用水量时间序列的最佳嵌入维数和最佳延迟参数,重构相空间,建立了基于最小二乘支持向量机的选煤厂日用水量时间序列等维信息一步预测模型.预测结果表明:基于LSSVM的预测模型的预测精度比BP神经网络预测模型的预测精度要高,能够满足选煤厂日用水量预测的需要.

应用实用动态组合模型预测城市日用水量

将时间序列中的日用水量历史数据引入以温度等作变量的回归分析模型,建立了日用水量非线性回归组合预测模型,同时为进一步提高预测精度,用4阶自回归模型对回归残差序列进行时间序列分析,建立了日用水量预测实用动态组合模型。以华北某市日用水量的实测数据对其进行检验,结果表明该模型具有较高的预测精度。

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。

城市日用水量预测的非参数模型研究

本文针对传统的线性回归模型误差较大的特点,利用核估计与局部线性估计方法,以气温、节假日为自变量,以用水量为因变量建立了城市日用水量的多元非参数回归模型.经西安市实例验证表明,相对于线性回归模型而言,多元非参数回归模型预测精度较高,预测效果好.

城市日用水量预测的非参数模型

根据城市用水量的影响因素及特点,针对传统的线性回归模型误差较大的缺点,基于核估计与局部线性估计理论,建立了城市日用水量的非参数回归预测模型。经西安市实例验证表明,相对于线性回归模型而言,多元非参数回归模型能够很好地解决城市日用水量预测这一问题,预测精度较高,可以满足供水系统调度的实际需要。

变结构遗传最小二乘支持向量机法预测日用水量

为解决日用水量预测模型的动态参数估计问题,提出了基于变结构遗传最小二乘支持向量机的预测模型.以日用水量的主要影响因素和相关日用水量为输入,利用遗传算法对基于LSSVM的历史日用水量模型参数进行寻优,获得模型结构参数序列;采用扩展卡尔曼滤波器估计基于最小二乘支持向量机的预测日用水量模型参数,进而预测下一日用水量.实例分析表明:提出的模型具有较高的预测精度,预测的最大绝对相对误差仅为9.3%,平均绝对相对误差为2.09%.

混沌遗传最小二乘支持向量机法预测日用水量

利用混沌运动的初值敏感性、内在随机性和遍历性的特点,提出基于混沌遗传算法和最小二乘支持向量机的城市日用水量预测法。通过混沌映射搜索自适应遗传算法的较优初始种群,采用自适应遗传算法优化最小二乘支持向量机的超参数,利用交叉验证法确定遗传算法个体的适应值,建立基于最小二乘支持向量机的日用水量预测模型。实例分析结果表明,与基于遗传最小二乘支持向量机的日用水量预测法相比,提出的预测方法具有更高的预测精度。

差分进化最小二乘支持向量机法预测日用水量

为解决最小二乘支持向量机的参数确定问题,提出采用自适应差分进化最小二乘支持向量机法预测日用水量.引入改进粗糙集算法分析日用水量主要影响因素,利用自相关系数法确定序列的相关性,并将自适应差分进化算法(SADE)用于优化最小二乘支持向量机(LSSVM)的参数,建立了基于SADELSSVM的预测模型.结果表明,与传统差分进化算法(DE)和自适应遗传算法(SAGA)相比,SADE具有更快的最优个体搜索速度和群体进化速度,与基于SAGALSSVM和基于DELSSVM的模型相比,本文提出模型的预测能力更强.

基于粗糙集和遗传神经网络的城市日用水量预测模型

为克服日用水量主要影响因素一般采用主观判断确定的不足,利用改进粗糙集算法对影响因素进行属性约简,确定日用水量的主要影响因素。以日用水量的主要影响因素和相关日用水量为BP网络的输入,采用遗传算法优化BP网络的权阈值,建立了基于粗糙集算法和优化BP网络的日用水量预测模型。实例分析表明,与基于传统BP网络和基于遗传算法优化BP网络的模型相比,本文提出的日水量预测模型具有更高的预测精度。结果验证了所提出模型的合理性和有效性。

基于变尺度混沌遗传最小二乘支持向量机的日用水量预测法

为克服传统遗传算法易陷入局部最优,收敛速度慢的问题,提出基于变尺度混沌遗传最小二乘支持向量机的日用水量预测法。采用混沌算法优化自适应遗传算法的初始种群,利用自适应遗传进化和变尺度混沌优化对LSSVM的参数进行循环优化,直至遗传算法达到最大进化代数,建立基于变尺度混沌遗传最小二乘支持向量机的日用水量预测模型。实例分析结果表明,与基于自适应遗传最小二乘支持向量机的日用水量预测法相比,提出的预测方法具有更好的预测精度。

西安市日用水量预测模型研究

从分析影响西安市日用水量变化的主要因素着手,建立了西安市日用水量预测的回归模型,然后利用自回归模型对回归残差进行了修正。最后,结合所建的两个模型得到了西安市日用水量预测的综合模型,经检验,所建模型简单易用,预测误差小,能满足供水系统管理调度的要求。

西安市日用水量预测模型研究

从分析影响西安市日用水量变化的主要影响因素着手，以此为基础建立了西安市日用水量预测的回归模型，然后利用自回归模型对回归残差进行了修正。最后，结合所建的两个模型得到了西安市日用水量预测的综合模型。经检验，所建模型简单易用，预测误差小，能满足供水系统管理调度的要求。

基于多尺度相关向量机的城市日用水量预测

为提高日用水量预测精度,提出一种基于多尺度相关向量机的预测模型。通过静态小波分解将用水量非平稳时间序列分解为不同尺度的平稳时间序列,然后在分解后的各子序列分别建立相关向量机回归模型进行预测,最后通过小波逆变换将各子序列预测结果整合得出原始用水量时间序列的预测值。在实例分析中分别利用多尺度关联向量机模型和单尺度相关向量机预测模型对实际用水量进行预测分析。结果表明,前者具有更高的预测精度,可应用于城市日用水量的预测。

基于神经网络的城市日用水量预测

分析了影响城镇日用水量的非线性因素,利用人工神经网络,选择影响城市日用水量的主要因素,建立城镇日用水量预测模型,并将该模型的预测效果与传统的日用水量模型预测效果进行比较,结果显示该模型的预测精度更高、所需时间更短、更适用于影响因素较多的城市日用水量的预测。