基于蜻蜓-高斯过程回归耦合的居民社区时用水量动态实时区间预测
发布时间：2021-04-14 04:24
准确的居民社区时用水量预测对于水资源的优化调度和管网的稳定运行具有重要意义。为了克服传统的ANN、SVM等预测方法只能得到确定的点预测结果和未来某一时刻的预测结果,而无法给出预测的区间,也不能进行实时预测的缺点,提出了一种基于蜻蜓-高斯过程回归耦合的居民社区时用水量动态实时区间预测方法。用擅长全局搜索和对初始值没有依赖的蜻蜓算法对高斯过程回归的超参数进行寻优。结果表明,本模型预测精度较高,最大的相对误差为仅0.019,具有较强的实用价值,为未来水资源实时调度提供理论依据。
【文章来源】：中国农村水利水电. 2019,(04)北大核心
【文章页数】：5 页
【部分图文】：
DA－GPＲ模型区间预测流程图Fig．1DA－GPＲmodelintervalpredictionflowchart
约??菔淙氪唇ǖ淖钣?GPＲ模型，输出预测值的均值和方差。Step8:根据给定置信度，得到时用水量实时区间预测结果。2仿真实验2．1仿真实验平台本次实验的运行环境为:操作系统:Windows7;处理器:In-tel(Ｒ)Core(TM)i7－2640M;主频:2．80GHz;内存:4．00GB;编程工具:MATLABＲ2015(b)。2．2样本数据本文所用的数据来自河北工程大学在线水量检测平台，采用居民家属院2016年6月17日到7月7日，共21d每天24h的实际社区时用水量资料，如图2所示。将样本集21d/h用水量中的前20d480组时用水量资料作为训练集，最后一天24h用水量资料作为测试集。图2单日时用水量变化趋势Fig．2Changeinwaterconsumptiononasingleday2．3模型输入和输出从图3可以明显看出居民社区时用水量具有明显的24h基于蜻蜓－高斯过程回归耦合的居民社区时用水量动态实时区间预测刘龙龙李文竹刘心19
周期性，为预测下一时刻用水量，模型的输入取该时刻前24h的时用水量。模型输出是居民社区下一时刻用水量，输入是该时刻前24h每小时用水量(数据来源于2016年6月17日到7月6日居民社区的用水数据)。图3不同模型时用水量预测结果Fig．3Waterconsumptionpredictionresultsofdifferentmodels2．4参数设置惯性权重ω、分离权重s、对齐权重a、内聚权重c、食物吸引权重f和天敌排斥权重e均为自适应线性递减权重，其最小值为0．4，最大值为0．9;设种群规模为10，最大迭代次数为20，参数M的取值范围为［－1，1］，参数σf的取值范围为［－1，1］，参数σn的取值范围为［－1，1］。2．5对比模型及评价标准为了使DA－GPＲ模型的预测结果具有可比性，选着BP神经网络、最小二乘支持向量机和高斯过程回归模型作为对比模型，模型性能采用平均相对误差(MAPE)、平均绝对误差(MAE)和均方误差(MSE)进行衡量，它们的定义为:MAPE=1N∑Ni=1yi－^yiyi(18)MAE=1N∑Ni=1|yi－^yi|(19)MSE=1N∑Ni=1(yi－^yi)2(20)式中:N为测试集样本的大小;yi为实测值;^yi为预测值。2．6结果与分析为了验证本文创建的蜻蜓－高斯过程回归耦合模型的预测可靠性，本文将其与BP神经网络、最小二乘支持向量机和高斯过程回归预测模型进行试验对比，预测结果如图3所示。在95%置信度下，高斯过程回归和蜻蜓－高斯过程回归两个模型的区间预测结果如图4和图5所示。从图3?
【参考文献】：
期刊论文
[1]不同承载标准下水资源承载力评价[J]. 金菊良,董涛,郦建强,张礼兵,李辉. 水科学进展. 2018(01)
[2]一种改进的多目标蜻蜓优化算法[J]. 韩鹏,陈锋. 微型机与应用. 2017(20)
[3]基于改进高斯过程回归模型的短期负荷区间预测[J]. 宗文婷,卫志农,孙国强,李慧杰,CHEUNG Kwok W,孙永辉. 电力系统及其自动化学报. 2017(08)
[4]变结构遗传最小二乘支持向量机法预测日用水量[J]. 陈磊,石也. 浙江工业大学学报. 2017(01)
[5]基于蜻蜓算法和支持向量机的变压器故障诊断[J]. 傅军栋,陈俐,康水华,冯奕轩. 华东交通大学学报. 2016(04)
[6]最严格水资源管理制度下的流域水权二次交易模型[J]. 赵培培,窦明,洪梅,李胚,王艳艳. 中国农村水利水电. 2016(01)
[7]基于高斯过程回归的网络流量预测模型[J]. 李振刚. 计算机应用. 2014(05)
[8]基于主成分分析的支持向量机需水预测模型及其应用[J]. 郭亚男,吴泽宁,高建菊. 中国农村水利水电. 2012(07)
本文编号：3136653
【文章来源】：中国农村水利水电. 2019,(04)北大核心
【文章页数】：5 页
【部分图文】：
DA－GPＲ模型区间预测流程图Fig．1DA－GPＲmodelintervalpredictionflowchart
约??菔淙氪唇ǖ淖钣?GPＲ模型，输出预测值的均值和方差。Step8:根据给定置信度，得到时用水量实时区间预测结果。2仿真实验2．1仿真实验平台本次实验的运行环境为:操作系统:Windows7;处理器:In-tel(Ｒ)Core(TM)i7－2640M;主频:2．80GHz;内存:4．00GB;编程工具:MATLABＲ2015(b)。2．2样本数据本文所用的数据来自河北工程大学在线水量检测平台，采用居民家属院2016年6月17日到7月7日，共21d每天24h的实际社区时用水量资料，如图2所示。将样本集21d/h用水量中的前20d480组时用水量资料作为训练集，最后一天24h用水量资料作为测试集。图2单日时用水量变化趋势Fig．2Changeinwaterconsumptiononasingleday2．3模型输入和输出从图3可以明显看出居民社区时用水量具有明显的24h基于蜻蜓－高斯过程回归耦合的居民社区时用水量动态实时区间预测刘龙龙李文竹刘心19
周期性，为预测下一时刻用水量，模型的输入取该时刻前24h的时用水量。模型输出是居民社区下一时刻用水量，输入是该时刻前24h每小时用水量(数据来源于2016年6月17日到7月6日居民社区的用水数据)。图3不同模型时用水量预测结果Fig．3Waterconsumptionpredictionresultsofdifferentmodels2．4参数设置惯性权重ω、分离权重s、对齐权重a、内聚权重c、食物吸引权重f和天敌排斥权重e均为自适应线性递减权重，其最小值为0．4，最大值为0．9;设种群规模为10，最大迭代次数为20，参数M的取值范围为［－1，1］，参数σf的取值范围为［－1，1］，参数σn的取值范围为［－1，1］。2．5对比模型及评价标准为了使DA－GPＲ模型的预测结果具有可比性，选着BP神经网络、最小二乘支持向量机和高斯过程回归模型作为对比模型，模型性能采用平均相对误差(MAPE)、平均绝对误差(MAE)和均方误差(MSE)进行衡量，它们的定义为:MAPE=1N∑Ni=1yi－^yiyi(18)MAE=1N∑Ni=1|yi－^yi|(19)MSE=1N∑Ni=1(yi－^yi)2(20)式中:N为测试集样本的大小;yi为实测值;^yi为预测值。2．6结果与分析为了验证本文创建的蜻蜓－高斯过程回归耦合模型的预测可靠性，本文将其与BP神经网络、最小二乘支持向量机和高斯过程回归预测模型进行试验对比，预测结果如图3所示。在95%置信度下，高斯过程回归和蜻蜓－高斯过程回归两个模型的区间预测结果如图4和图5所示。从图3?
【参考文献】：
期刊论文
[1]不同承载标准下水资源承载力评价[J]. 金菊良,董涛,郦建强,张礼兵,李辉. 水科学进展. 2018(01)
[2]一种改进的多目标蜻蜓优化算法[J]. 韩鹏,陈锋. 微型机与应用. 2017(20)
[3]基于改进高斯过程回归模型的短期负荷区间预测[J]. 宗文婷,卫志农,孙国强,李慧杰,CHEUNG Kwok W,孙永辉. 电力系统及其自动化学报. 2017(08)
[4]变结构遗传最小二乘支持向量机法预测日用水量[J]. 陈磊,石也. 浙江工业大学学报. 2017(01)
[5]基于蜻蜓算法和支持向量机的变压器故障诊断[J]. 傅军栋,陈俐,康水华,冯奕轩. 华东交通大学学报. 2016(04)
[6]最严格水资源管理制度下的流域水权二次交易模型[J]. 赵培培,窦明,洪梅,李胚,王艳艳. 中国农村水利水电. 2016(01)
[7]基于高斯过程回归的网络流量预测模型[J]. 李振刚. 计算机应用. 2014(05)
[8]基于主成分分析的支持向量机需水预测模型及其应用[J]. 郭亚男,吴泽宁,高建菊. 中国农村水利水电. 2012(07)
本文编号：3136653
本文链接：https://www.wllwen.com/kejilunwen/sousuoyinqinglunwen/3136653.html
