基于时序驱动的城市供水量组合预测模型研究

发布时间：2018-01-05 12:17

  本文关键词：基于时序驱动的城市供水量组合预测模型研究　出处：《昆明理工大学》2017年硕士论文　论文类型：学位论文

  更多相关文章： 供水量预测 混沌理论 邻近点 神经网络 组合模型

【摘要】：通过供水量预测,既可为优化供水系统管理提供数据依据,又可为市政供水设施的投资决策提供指导,提高水资源利用效率,改善城市生态环境,促进社会和谐健康发展。为进一步提高城市供水量预测精度,本文通过收集某市1#、2#水厂的实测数据为研究对象,从日、月供水量预测两个方面,开展了基于时序驱动的城市供水量组合预测模型研究,取得的相关研究成果及结论如下:①供水量预测基本原理及可预测性分析研究;首先介绍了基于时间序列驱动预测模型的基本原理及数据处理方法,接着分析了各供水量时间序列的可预测性。通过功率谱和最大Lyapunov指数分别从定性和定量的角度分析得出,日、月供水量时序均存在明显的混沌特性,说明该供水量时序具有可预测性。基于时序驱动的混沌预测法不需要考虑影响系统的诸多外在因素,只从时序中寻找系统规律,不易受干扰,大大减少了相关工作量,实用价值较大。②基于混沌理论预测模型研究;基于混沌理论预测模型是目前解决非线性(混沌)系统预测问题的有效手段之一,预测精度高。分析对比了混沌全域法、局域法和最大Lyapunov指数预测法的预测精度。结果表明,混沌局域法较混沌全域法和Lyapunov指数法预测精度更高,且对比相同步距,混沌局域法预测误差波动更小。再者,为进一步提高预测精度,讨论加权一阶局域法邻近点优选问题,演化追踪法能够综合考虑邻近相点的演化轨迹,有效辨别真、伪邻近相点,比传统选取方法及信息准则取得更精确的预测结果。③对BP、RBF以及GRNN神经网络模型进行了探究;用目前技术最成熟、应用最广泛反向反馈和径向基这两类神经网络(三种神经网络模型)作为供水量预测的建模基础,对其理论和建模步骤进行了的介绍并分析对比了这两类神经网络的优缺点及提出改进方法。在对比实例中,神经网络对供水量趋势把握较好,径向基网络的预测精度比反向反馈网络更高、预测值波动小,但神经网络模型存在参数设计繁琐、预测结果不确定的缺点。④基于新技术的供水量组合模型研究;介绍了组合模型的特点以及供水系统预测模型组合的必要性,随后介绍了混沌算法与神经网络组合模型的原理。最后在实例分析中,首先采用加权一阶局域预测法、BP、RBF及GRNN网络预测模型对日、月供水量进行单独预测,然后将三种神经网络分别与加权一阶局域法进行组合预测。结果表明,组合预测模型精度都高于对应单一预测模型,其中加权一阶局域法与GRNN网络的组合模型预测精度最高,其稳定性更好和运算时间更短,证明所提出的组合预测方法是可行的。本文提出的组合预测模型不仅为城市供水量预测提供了一种高效新方法,还为其它相关研究的开展提供了新思路。所有预测方法都编制了相应的程序,申请软件著作权、专利,这为将来投入实际使用奠定了坚实的基础。
[Abstract]:In order to improve the forecasting precision of urban water supply , this paper introduces the basic principle and the data processing method of the forecasting model of urban water supply based on time series . This paper introduces the principle of the combination model of chaos and neural network . Finally , in the case study , the forecasting model of weighted first order local prediction method , BP , RBF and GRNN network is used to predict the daily and monthly water supply , and then three neural networks are combined with weighted first order local area method . The results show that the combination forecasting model not only provides a new method for forecasting urban water supply , but also provides a new idea for the development of other related research .

【学位授予单位】：昆明理工大学
【学位级别】：硕士
【学位授予年份】：2017
【分类号】：TU991.31

【参考文献】

相关期刊论文 前10条

1 刘年东;杜坤;周明;李诚;胡琪勇;;局域法邻近点选取对降雨量预测精度影响研究[J];给水排水;2016年S1期

2 张忠国;;基于ARIMA与ANN组合模型的需水量预测方法研究[J];吉林水利;2015年07期

3 迟道才;王子凰;陈涛涛;许杏娟;张瑞;;ARIMA和蒙特卡洛方法在预测降水量中的应用[J];沈阳农业大学学报;2015年02期

4 岳顺;李小奇;翟长治;;基于改进Cao算法确定奇异谱嵌入维数及应用[J];测绘工程;2015年03期

5 戢钢;王景成;葛阳;刘华江;杨丽雯;;城市小时级需水量的改进型引力搜索算法-最小二乘支持向量机模型预测[J];控制理论与应用;2014年10期

6 付强;李晨溪;张朝曦;;关于G-P算法计算混沌关联维的讨论[J];解放军理工大学学报(自然科学版);2014年03期

7 戚明杰;赖华;;城市智能化供水调度系统的研究与应用[J];自动化仪表;2014年05期

8 仇军;王景成;;基于PSO-LSSVM的城市时用水量预测[J];控制工程;2014年02期

9 周晨;冯宇东;肖匡心;韩珊;董颖;;基于多元线性回归模型的东北地区需水量分析[J];数学的实践与认识;2014年01期

10 戴虹;钱晋武;张震;沈林勇;章亚男;;GRNN在肌电预测踝关节运动中的应用[J];仪器仪表学报;2013年04期

相关博士学位论文 前2条

1 白云;时间序列特性驱动的供水量预测方法研究及应用[D];重庆大学;2014年

2 向小东;基于神经网络与混沌理论的非线性时间序列预测研究[D];西南交通大学;2002年

相关硕士学位论文 前3条

1 吴弯;城镇需水量预测方法研究[D];华南理工大学;2014年

2 高俊杰;混沌时间序列预测研究及应用[D];上海交通大学;2013年

3 岳琳;城市用水量预测非线性方法的研究[D];天津大学;2005年

，

本文编号：1383089