城市用水量预测方法的比较研讨.pdfVIP

城市用水量预测方法的比较研究 楼文高 刘遂庆张玉先 同济大学环境工程与科学学院 摘要：针对城市用水量预测问题，简要分析了现有的回归分析法(含组合方法)和时间 序列分析方法本身存在的局限性和适用条件；着重研究了灰色动态预测模型数据多少和选用 哪些数据对预测精度的影响和适用条件；详细分析了BP网络模型的局限性、建模条件，提出 了建立BP网络模型基本原则和步骤。探讨了用水量预测方法的选用原则，有利于提高城市用 水量的预测精度和可靠性。 关键词：城市用水量；预测：回归方法；神经网络：预测精度 中图分类号：TU991．31文献标识码： B 城市用水量的科学预测是城市建设规划、输配水系统优化调度中的一项十分重要的前提 工作。根据待处理数据的特点，预测方法可分为两大类：①因果解释性预测法，即假定用水 量(统称为预测变量与另几个影响因素(变量)(如温度，是否是节假日或节假日量、气候特 征、用水人口、用水设施、供水量和其他一些经济指标等)之间存在相关关系，从而建立起 预测变量与影响因素之间的模型；②历史数据法，即认为预测变量只依赖于预测变量本身的 历史观测数据及观测模式，通过序列数据的特征分析找出其变化规律并外推出未来的值。主 要的建模方法有：一(多)元(非)线性回归法¨引、时间序列分析法(含指数平滑法、趋势 外推法、AR、MA和ARMA法等)”…、灰色预测法川、人工神经网络方法(主要是BP网络) ……和各种组合预测法¨”“”等。 城市用水量预测方法近十年来获得了很大进展，发表了一系列研究成果(论文)。尤其是 近几年来，灰色动态模型(简称G鹾模型)和人工神经网络方法逐渐被引入到城市用水量预测 领域，使得精确预测已成为可能。但是多数论文注重现有数据的拟合精度，缺少对预测数据 精度和可靠性的分析，注重对新的建模(拟合)技术(方法)的应用，但缺少对这些新方法 的基本原理、适用性、使用范围和建模条件的分析，虽然给出的数据拟合效果很好或较好， 但预测数据的精度无法保证或没法控制，缺乏实用价值和推广意义。 本文简略分析回归分析方法、ARMA(含AR，姒)方法。着重分析灰色动态预测模型和BP 网络模型的特点和存在的问题。 1 回归分析方法 因果解释性变量法的回归分析根据最小二乘法原理，寻找影响因素与预测变量(本例为 城市用水量)之间的关系，建立回归模型并进行预测的分析方法。本方法对预测值的误差分 析可通过对计算建模数据的标准均方根误差来确定，计算方便，因此适用于在系统没有发生 重大变化时波动较小的年用水量的预测”1l。但是，要求有较多的原始建模数据。对于数据波 动较大的时、日或月用水量等预测问题，因影响因素复杂，且影响因素未来值的准确预测较 一218— 难，不宜采用该方法。由于该方法的预测精度直接取决于影响因素的选取、原始建模数据的 准确性和选用模型的合理性，因此，对上述问题在没有充分把握的情况下要慎重使用。根据 回归理论，该方法主要用于内推预测，外推预测的精度无法保证。 2 AI酬IA方法 AP,国IA是自回归模型和移动平均模型的综合，它将预测对象(用水量)随时间变化形成的 序列数据先转化成一个白噪声序列进行处理，所以它可以对任何一个用水过程进行模拟，对 时、日、月、或季用水量预测分析均有效，在历史数据足够多且系统没有发生重大变化时可 以得到较高的精度，且可用于外推预测，但预测误差随外推时间的增大而扩大。该方法只需 要用水量的历史数据，数据比较容易获得，但要求数据有足够的长度。而且，该方法存在明 显的滞后性，即最后一期数据发生异常变化时，由于模型的平滑作用，预测数据无法立即作 出反应，使得在预测一些异常值时造成较大的误差，甚至失真。在历史数据能较好地分解为 周期性或季节性分量、趋势性分量和扰动性分量时，且系统没有发生较大的变化时，能取得 较好的预测效果|5 6I。另外，在变动较大，不能用因果解释法预测时，用AIⅫIA法往往能取得 一定的效果。根据此特点，ARMA方法可用于城市时、日或月用水量的预测，一般不用于年用 水量的预测。应用AR姚方法进行预测的缺点是对于高阶自回归和移动平均问题，分析、计算 比较困难。再者，当外推预测时间较大时，预测值将趋近于序列的均值水平，失去了预测的 意义。因此，AI妯,tA方法仅能进行短期预测(即指外推时间序列较短，而并非指时间本身的较 短)，