混合神经网络和混沌理论的城市用水量预测研究.docVIP

混合神经网络和混沌理论的城市用水量预测研究 　　摘要：对H市日用水量数据进行了混沌识别，结果表明其具备混沌特性，结合BP神经网络和混沌理论，利用重构相空间的嵌入维数确定神经网络的结构，建立了基于混沌理论的城市用水量神经网络模型，实际数据验证了该方法对城市用水量预测的有效性。 　　关键词：混沌；城市用水量；时间序列；神经网络 　　中图分类号：O415.5TP183 文献标识码：A文章编号：1009-3044(2008)34-1793-02 　　Forecast Research of Urban Water Consumption Based on Chaos Theory and Neural Networks 　　CHEN Min1, DENG Ying-wei2 　　(1.Hunan Insititute of Technology, Hengyang 421002, China; 2.Hengyang City Water Company, Hengyang 421001, China) 　　Abstract: The paper finds chaos character in the data of Chinese urban everyday water consumption. By taking advantage of structures of neural network being determined by embedding dimension of phase space reconstruct, neural network model of urban water consumption based on chaos theory is put forward . Practical data show that the method is able to do urban water consumption prediction effectively. 　　Key words: chaos; urban water consumption; time series; neural network 　　1 引言 　　水是经济的命脉，是城市生存和发展的首要条件。为保证对城市供水的可靠性，需要通过准确的城市供水短期预测来编制城市供水的总体规划和工程规划，指导城市供水设施的建设，使水的供应与需求相适应。常用的预测方法可分为两类：一类是解释性预测方法，即找出被预测量的各种影响因素，建立回归分析模型；另一类是时间序列分析方法，它是依据被预测量的历史观测数据，通过序列分析，找出其顺序变化规律。由于城市用水量受经济、人口、生活水平、全天气象等多种因素的影响，要找出系统内部的变化机理及各类因素之间相互影响的明确关系是比较困难的，并且每个城市的用水量的影响因素也不尽相同，所以回归分析模型不具备普适性，这使得回归预测分析方法在用水量预测过程中的应用受到限制。而按时间顺序将观测或记录到的一组数据排列起来的时间序列分析方法，对外部影响因素复杂的作用进行简化，只考察历史观测数据及其数据模式随时间的内在变化规律，进而对整个系统进行描述和解释，以对系统未来状态作出预测，它比较符合用水量序列的特点，因而在用水量预测工作中应用较为广泛。 　　混沌理论是非线性动力学的重要发展。混沌现象的研究自20世纪60年代开始以来，到20世纪80年代初期已经初步发展成为一个具有独特的概念体系和方法论框架的新学科。城市用水量的时间序列具有多种不确定性和非线性，具备混沌特性，不易建立精确数学模型。人工神经网络(ANN) 具有强大的非线性映射能力、具有自适应、自学习、容错性和并行处理等性质，应用人工神经网络理论，则可以克服时间序列预测方法的局限性，方便、灵活地进行城市用水量的预测。对于城市用水量，首先对城市用水量的时间序列进行混沌识别，如果给定的时间序列具备混沌特性，则通过应用混沌理论中的相空间重构技术，把城市用水量时间序列嵌入到重构的相空间中，然后利用神经网络对数据进行拟合，进而进行预测。神经网络与混沌时间序列理论结合，为城市用水量预测的研究提供一条崭新的途径 　　2 混沌识别 　　在城市用水量时间序列中，由于观测方法和观测手段等不可避免的误差，使得噪声与混沌往往并存，城市用水量序列中既有确定性成分，也有随机性成分。因此，城市用水量序列性质的鉴别或混沌性识别主要指在某一置信度下判断城市用水量序列以何种成分为主，或研究城市用水量序列是否为混沌序列。 　　在实际应用中，判断一个系统的动态行为是否混沌，即是否有混沌吸引子，一般从混沌吸引子的两个基本特征来判断：1) 系统相空间中的吸引子是否具有自相似结构的分形维特征；2)