20160418水资源供需分析剖析.pptVIP

过度页1 * 过度页2 * 采用单一变量（人口、单位用水量）来解释用水，并假设其他变量（如价格、气候等）是不重要的或与人口、单位用水量是正相关。该法采用简单的二元线性方程对数据进行计算。尽管这种方法公式和系数的描述不完善。 * 由于人们的生产和生活随季节变化，因此用水量同样具有明显的周期性及季节变化趋势。通常可用散点图确定变化趋势，按照这种趋势进行需水预测，就是趋势外推预测方法。 趋势外推预测方法中的传统趋势预测法、季节型趋势预测法到增长趋势预测法是逐步改进的。趋势外推预测法是利用对连续的线性数据附加权重后滑动平均得到预测值，权重的设置有很强的主观性，试图使用很少的数据资料，以一个时间变量来解释用水。其中传统的趋势预测方法对用水数据及其相关影响因素的变化过程分析较少；季节型趋势预测法在传统趋势预测方法的基础上进行了改进。季节型趋势预测法考虑到气候变化对用水数据的影响，对用水数据年度内的季节性加分析，但在滑动平均后，周期越多，预测值的波动幅度越大；历史用水数据与其影响因素之间往往存在非线性关系，前两种方法不能对非线性的数据进行滑动平均，增长趋势预测法对前两种方法进一步改进，利用对数曲线对非线性数据进行线性转化后加权再进行滑动平均，但缺乏多周期的分析预测，与此同时该方法短期预测误差较大，只适用于中长期单周期预测。 * 水量与众多因素之间具有因果关系，这类因果关系通常无法用精准的数学表达式来描述，只能对大量观察数据的统计处理，回归分析就是基于参数估计对观察数据的统计分析和处理，然后研巧与确定事物间相关关系和关联形式的方法。析多因素模型的回归分析法，更加简便，同时准确地计量各个因素之间的相关程度与回归拟合程度的高低，提高预测的准确性。 由表可见，在回归分析中，因子的选择与表达并不确定，通常只是一种猜测，而且数据样本需求量大，数据的分布规律和发展趋势必须良好；计算工作量大，也许会出现量化结果与定性分析结果不一致的倩况。回归分析模型在演变过程中逐步改进。一元线性回归和多元线性回归都针对线性相关数据利用回归模型进行预测，但多元线性回归模型采用多变量线性分析，改进了一元线性回归模型中缺乏多变量分析预测的缺陷。非线性回归模型同样考虑了历史用水数据与其影响因素之间往往存在非线性关系，采用对数转化后进行回归预测，但可能出现原始数据与线性回归方程吻合，但与非线性回归方程相差较大的现象。 * 灰色系统理论是由中国学者邓聚龙在１９８３年提出，理论中按信息全部己知、部分信息未知和信息全部未知把各类系统分为白色、灰色和黑色系统。灰色模型通过对原始数据的整合来寻找数据间的内在规律。灰色模型预测对于历史数据缺乏、数据分布规律和变化趋势不明的情况来说，运算简便，易于检验，因此该模型得到了广泛应用。 由表可见，灰色预测模型存在一定的局限性，当数据离散程度越大，预测精度越差。其中GM模型以时间变量来解释用水数据，累加生成预测值。GM的模型可以预测长期需水量，但真正有实用价值的，只是最近１个或２个的数据，其他数据只能反映更多的价值趋势或计划值；灰色关联度模型利用序列间在量级或结构上的相似程度来构造关联度，但数据采用平权处理后，极值对预测结果影响较大；灰色拓扑预测只能应用于波动频繁且摆动幅度较大的原始数据；只是对系统的平滑模拟，并不能反映系统中盼‘突变＂现象；反映一种庭势，而不是具体数值。 * 过度页3 * 通过对传统预测方法与神经网络的对比分析发现：与定额法相比，ＢＰ神经网络能够实现非线性数据较为准确的预测，且预测时结合多因素分析；与趋势外推法相化，ＢＰ神经网络克服了趋势外推法主观性强、简单拟合的缺点，能够客观的进行前反馈预测；与回归模型相比，ＢＰ神经网络不对样本数据的分布规律进斤要求，能够对大多数非线性数据进斤预测；与灰色模型相比，ＢＰ神经网络的预测精度更高，且每一个预测值都具有使用价值。 * 地表水和地下水作为人们生产、生活用水的主要来源，在很大程度上影响着用水量的多少。在实际生活中，由于生产、生活的条件、结构、模式、技术等因素的制约和社会经济与环境可持续发展的考量下，每年地表水和地下水的供水量都不相同。 * ＢＰ神经网络要求数据具有非线性，因此需要对数据进行非线性分析。 * * 研究表明宁夏回族自治区各类用水数据与其相应的影响因子之间存在非线性关系，满足ＢＰ神经网络的基本数据样本要求。 * 其中以用水量为网络目标输出，各影响因素为网络输入信息。先将数据归一化在［－１，１］之间，剔除各因素不同量纲的影响，然后建立ＢＰ神经网络模型。其中网络结构如图所示： * 网络神经元层数为２层。其中第一层神经元个数为２０，第二层神经元个数为５。第一层到第二层神经元之间的传递函数为：对数传递函数（ｌｏｇｓｉｇ），第二层神经元到输出层传递函数为：线性传