BP神经网络预测模型预测城市需水量.docxVIP

BP神经网络预测模型预测城市需水量摘要：城市用水的发展和变化是由经济发展、科技水平、管理水平、人民生活水平、水资源条件、环境质量等一系列因素所决定的，要精确地描述其发展和变化规律是十分困难的，因而只能采用各种预测方法从不同的侧面、不同的层次来描述其发展和变化规律是十分困难的，因而只能采用各种预测方法从不同的侧面、不同的层次来描述城市用水的发展变化规律，以计算规划期用水量。关键字：需水量预测，B-P神经网络，matlab在众多的预测方法中，神经网络模型、灰色预测模型都属于matlab的范畴，均是较为准确的方法，其中应用最为广泛的是B-P网络模型，用此模型对城市需水量进行预测，可取得较好的效果。1、B-P神经网络方法概述人工神经网络（Artificial Neural Network,ANN）是智能科学的前沿热点,是模仿大脑机制的信息分析处理技术。神经网络属于隐式数学处理方法,它将由网络训练从数据中概括出来的知识（因果规律）以多组权值和阈值的形式分布式存储于各个神经元中,即隐含在模型软件内。2、BP-神经网络模型（1）建模原理人工神经网络（Artificial Neural NetworkANN）是智能科学的前沿热点是模仿大脑机制的信息分析处理技术。神经网络属于隐式数学处理方法它将由网络训练从数据中概括出来的知识（因果规律）以多组权值和阈值的形式分布式存储于各个神经元中即隐含在模型软件内。BP网络（Back-Propagation Network反向传播网络）是人工神经网络最具代表性的模型是对非线性可微分函数进行权值训练的一种多层网络。具有多个节点的输入层、隐含层和多个或一个输出节点的输出层组成相邻两层节点之间单向互联其学习过程由正向和反向传播过程组成。首先赋予网络相邻两层节点之间的连接权值和阈值。然后从输入节点输入样本的信息。信息在正向传播过程中在隐含层和输出层节点均经过S型激活函数〔一般采用〕作用在输出节点k得到的输出信息为式中为隐节点及输出信息。和分别为隐节点和输出节点的阈值； 和分别为输出节点和隐节点及输出节点之间的连接权值。接着进入网络的反向学习过程建立的样本网络输出信息与期望输出信息的误差信号函数为并将此误差信号沿原连接通路返回按下述公式向减少误差的方向逐层调整各层之间的连接权值和阈值即：以上诸式中、为学习参数且在（01）之间取值；为由引起的隐层误差信号有：对训练样本集中的每一个样本通过往复学习上述过程反复调整权值和阈值直至全部样本集的网络输出与期望输出的均方误差：达到某一指定精度要求为止学习结束并输出最后调整好的权值和阈值。BP网络以三层网络最为常用也最为成熟。理论上也已证明一个三层网络可以以任意精度逼近任意给定的连续函数。三层神经网络技术应用中最关键的构造参数包括输入层、隐含层和输出层的节点数以及在神经网络各层之间的连接权值和节点阈值的初始化。其中输入层、输出层节点数一般是取输入向量和输出向量的维数相对来说优化的可能性小一些而连接权值和阈值一般的初始化方法是取一定范围内的随机数一般也不进行优化。由于网络训练精度的提高可以通过采用一个隐含层而增加其神经元数的方法来获得。因而影响误差精度最重要的构造参数是隐含层的节点数。但是目前尚无标准的原则用于指导选择一般采用试算方法。这类方法有两种：一种是从较多的隐单元开始然后加以适当舍弃；一种是从较少的隐单元出发然后逐渐增多。之后在能够解决问题的前提下再加上1到2个神经元以加快误差的下降速度即可。（2）以人均综合用水定额为基础的BP-神经网络模型应用1）BP网络预测水量的精度及其检验以南水北调工程（中线）河北省受水区（简称“受水区”）城市需水量预测为背景受水区城市包括石家庄、邯郸、邢台、保定、沧州、廊坊和衡水7个省辖市。根据《河北省城市建设统计年报》对受水区7个省辖市需水量进行加和得到受水区历年城市总需水量并以此作为预测的基础数据如表4-4。由于影响需水量的因素很多难以按时间序列一一量化。从中选取相关性最好、最具代表性的两个因素：用水人口和万元产值取水量作为影响需水量的前期因子。其中用水人口代表使需水量增长的因子；而万元产值取水量代表使需水量减少的因子。为便于训练需将样本的输入和输出数值均限定在[0,1]的区间内。为此用下面的极差规格化公式将其规格化：表4-4 需水量预测基础数据 年份项目199119921993199419951996199719981999城市需水量9936790739895411034191089851072821073269969696855极差规格化0.5050.06200.71410.9120.9150.5220.376用水人口（万人）407.30421.30424.20436.90450.00458.80474.00482.00504.40极