城市需水量预测方法研究聂思雨.pptVIP

* 城市需水量预测方法研究 聂思雨 西安理工大学 2013.11 主要内容： 一.引言 二.研究方法 三.实例分析及结论 一 引言 水资源是支撑经济社会可持续发展的重要战略资源。目前，水短缺已成为我国城市经济发展的重要制约因素 城市水资源配置的目的是根据规划期间的用水需求及水源规划方案确定相应的配置方案。需水预测对合理配置水资源、实现国民经济预期发展目标具有重要意义。 需水预测主要包括定性预测和定量预测，传统方法如用水定额法，灰色模型忽视了需水诸影响因素间的动态相互制约关系，均存在着预测精度不高等问题和不足。 神经网络模型具泛化能力强、预测精度高、算法稳定等优点，有着广阔的应用前景。 一 引言 本研究建立了径向基函数（RBF）神经网络模型并以西安市为例，进行居民生活需水量预测模拟和预测，并对比分析该模型与传统BP神经网络和灰色GM（1，1）模型拟合和预测结果。 二 研究方法 1 RBF神经网络 径向基函数（Radial Basis Function，简称RBF）即一种局部分布的关于中心对称的非负非线性函数，是一种性能良好的前向网络,其既有生物背景，又与函数逼近理论相吻合,适合于多变量函数逼近,并且还具有唯一最佳逼近点的优点。 二 研究方法 RBF神经网络从输入层到隐含层的变换是非线性的，而从隐含层到输出层的变换则是线性的。最常用的径向基函数是高斯函数： …m 式中： 为n维输入向量 为第i个基函数的中心，与 具有相同维数的向量； 为第i个感知变量 为矩阵欧式范数 二 研究方法 RBF网络学习步骤 RBF神经网络的学习分为两步 二 研究方法 2 BP神经网络 BP 神经网络( Back－Propagation Network) 即前馈神经网络，是一种反馈式全连接多层神经网络，可以任意精度逼近任何非线性连续函数，由一个输入层、一个输出层及一个或多个隐含层组成，每一层可有若干个节点。 二 研究方法 BP神经网络步骤： 建立三层BP神经网络。根据系统输入序列（X,Y），确定网络输入层，隐含层和输入层的节点数。 网络的训练。设隐含层第j个神经元的阈值为θj，输出层第t个神经元的阈值γt，则隐含层第j个神经元的输入为 式中： 为输入层第i个神经元的输入值； n为输入层的神经元个数 输出为bj=f(sj) j=1,2…,p,p为隐含层神经元个数，f为激励函数，其形式为 第t个神经元的输出层： 网络的训练就是通过模式顺传播和误差逆传播的反复交替来实现。 二 研究方法 3 GM(1,1)模型 灰色系统(grey system)理论是邓聚龙教授于80年代首先提出的, 灰色系统理论把随机量看作是在一定范围内变化的灰色量,它将杂乱无章的原始数据变为规律性较强的生成数据,通过对生成数据建立动态模型,来挖掘系统内部信息并充分利用信息进行分析预测。 二 研究方法 GM(1,1)模型结构 设x(0)为n个元素的数列x(0)=(x(0)(1),x(0)(2),…,x(0)(n))，x(0)的AGO生成数列为 三 实例应用及结论 数据来源 采用《西安市统计年鉴》1990-2008年相关数据，以1990～2005年的16组数据作为训练样本，以2006～2008年3组数据作为预测样本。 精度评价指标 平均相对百分误差 预测精度等级 高精度预测 好的预测 可行预测 不可行预测 MAPE 10 10～20 20～50 50 影响因子 神经网络拟合与预测时，将西安市年末总人口增长率、GDP、居民消费物价指数、年平均气温、年降雨量共5项影响因子作为网络输入，需水量作为目标输出 三 实例应用及结论 GM(1,1)、BP与RBF神经网络模型拟合结果比较 年份 实际值 （万m3） GM(1,1)模型 BP神经网络 RBF神经网络 预测值 （万m3） 相对误差（%） 预测值 （万m3） 相对误差（%） 预测值 （万m3） 相对误差（%） 1990 11853 11853 0 12218 13.32 11899 2.839 1991 17345 11753 32.24 15697 7.995 16692 19.54 1992 11918 11880 0.3188 13364 5.184 12077 8.065 1993 12601 12009 4.698 11516 13.04 12329 6.24 1994 12843 12139 5.4816 12618 35.73 13249 6.153 1995 12406 12271 1.0882 12143 0.362 12139 2.661 1996 11917 12404 4.0866 12273 13.16 11859 8.365