加权平均集成神经网络模型在城市需水预测中的应用 Application of weighted average integrated neural network model to urban water demand forecasting.pdfVIP

下载本文档

7
0
约2.81万字
约 7页
2018-01-12 发布于上海
举报
版权申诉

加权平均集成神经网络模型在城市需水预测中的应用 Application of weighted average integrated neural network model to urban water demand forecasting.pdf

1、原创力文档（book118）网站文档一经付费（服务费），不意味着购买了该文档的版权，仅供个人/单位学习、研究之用，不得用于商业用途，未经授权，严禁复制、发行、汇编、翻译或者网络传播等，侵权必究。。
2、本站所有内容均由合作方或网友上传，本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺！文档内容仅供研究参考，付费前请自行鉴别。如您付费，意味着您自己接受本站规则且自行承担风险，本站不退款、不进行额外附加服务；查看《如何避免下载的几个坑》。如果您已付费下载过本站文档，您可以点击这里二次下载。
3、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等，请点击“版权申诉”（推荐），也可以打举报电话：400-050-0827(电话支持时间：9:00-18:30)。
4、该文档为VIP文档，如果想要下载，成为VIP会员后，下载免费。
5、成为VIP后，下载本文档将扣除1次下载权益。下载后，不支持退款、换文档。如有疑问请联系我们。
6、成为VIP后，您将拥有八大权益，权益包括：VIP文档下载权益、阅读免打扰、文档格式转换、高级专利检索、专属身份标志、高级客服、多端互通、版权登记。
7、VIP文档为合作方或网友上传，每下载1次，网站将根据用户上传文档的质量评分、类型等，对文档贡献者给予高额补贴、流量扶持。如果你也想贡献VIP文档。上传文档

加权平均集成神经网络模型在城市需水预测中的应用 Application of weighted average integrated neural network model to urban water demand forecasting

第30卷第2期水资源保护 2014年3月 V01．30No．2 WATER RESOURCESPROTECTl0N Mar．2014 DOI：10．3969／j．issn．1004—6933．2014．02．006 加权平均集成神经网络模型在城市需水预测中的应用崔东文 (云南省文山州水务局，云南文山663000) 摘要：针对单一神经网络模型预测误差波动大、精度不高等问题，提出基于SVM、BP和Elman神经网络基本模型的加权平均集成需水预测模型。首先，利用相关分析和ADF单位根检验，选取需水预测主要影响因子。为避免模型过度拟合，引入虚拟维，并针对BP、Elman神经网络标准算法收敛速度慢、易陷入局部极值的不足，采用自适应动量算法改进BP和Elman神经网络标准算法，依次加权平均方法对各单一模型预测结果进行综合集成。结果表明：利用加权平均集成模型对上海市 3．6995％，精度和泛化能力均大幅优于各单一模型。说明本研究建立的加权平均集成模型用于需水预测是合理可行和有效的，它综合了各单一模型的优点，有效避免了单一模型预测误差过大和不稳定的缺点，具有预测精度高、泛化能力强、误差变化幅度不大等特点。关键词：需水预测；支持向量机；BP神经网络；Elman神经网络；加权平均集成模型中图分类号：TV213．4 文献标志码：A of neuralnetworkmodelto Applicationweightedaverageintegrated demand urbanwater forecasting Water BureauYunnan (Wenshan of Province，Wenshan663000，China) Conservancy low neuralnetworkmodelhasthe ofa oferrorfluctuationand Abstract：Asingle disadvantageslargedegree solvethese waterdemandforecastmodelwas weightedaverageintegrated developed precision．To problems，a neural andanADFtestoftheunit basedonthe Elman network SVM，BP，and models．First，correlation analysis rootwereconductedtoselectthemainfactorsinwaterdemand ordertoavoidmodel forecasting．In overfitting，the Was overcomethe theslow and virtualdimensionintroduce