基于BP神经网络的桂林生态城市建设需水量预测

根据桂林市经济社会历年统计的主要指标数据,运用SPSS社会科学统计软件分析并选取出桂林市辖区生态城市建设需水量的显著性影响因子,采用改进的归一化进行非线性规格化数据处理,基于Matlab建立BP神经网络模型,预测桂林市辖区生态城市建设需水量,结果表明,预测结果与原始数据的平均相对误差为1.19%,最大为2.08%,最小为0.28%。该模型具有较高的预测精度和良好的泛化能力,BP神经网络与SPSS软件优化组合模型,可用于需水量预测。     

加权平均集成神经网络模型在城市需水预测中的应用

针对单一神经网络模型预测误差波动大、精度不高等问题,提出基于SVM、BP和Elman神经网络基本模型的加权平均集成需水预测模型。首先,利用相关分析和ADF单位根检验,选取需水预测主要影响因子。为避免模型过度拟合,引入虚拟维,并针对BP、Elman神经网络标准算法收敛速度慢、易陷入局部极值的不足,采用自适应动量算法改进BP和Elman神经网络标准算法,依次构建SVM、BP和Elman需水预测单一模型,并对上海市2002—2011年需水量进行预测;最后,基于加权平均方法对各单一模型预测结果进行综合集成。结果表明:利用加权平均集成模型对上海市2002—2011年需水量进行预测的平均相对误差绝对值为1.8004％,最大相对误差绝对值为3.6995％,精度和泛化能力均大幅优于各单一模型。说明本研究建立的加权平均集成模型用于需水预测是合理可行和有效的,它综合了各单一模型的优点,有效避免了单一模型预测误差过大和不稳定的缺点,具有预测精度高、泛化能力强、误差变化幅度不大等特点。     

基于主成分分析的BP神经网络对南京市水资源需求量预测

以南京市为例,利用1999-2010年的总用水量数据,采用主成分分析法对影响水资源需求量的9个因子进行主要影响因子分析,根据确定的主要影响因子构造BP神经网络的输入样本,从而进行不同水平的年总需水量预测.结果表明:人口、GDP、万元GDP用水量、人均水资源量、污水年排放量为影响研究区需水量的主要因子,将此作为主要因子构造BP神经网络的输入样本,确定网络输入节点数,建立南京市总需水量预测模型.模拟计算结果表明,基于主成分分析的BP神经网络模型,预测结果的平均误差小于0.2亿m3.     

基于主成分分析的GA-BP模型在城市需水预测中的应用研究

针对城市需水预测模型中需水量影响因子多、影响因子之间普遍存在多重共线问题,以及BP神经网络收敛速度慢、易陷入局部最优等缺点,提出一种由主成分分析、遗传算法及BP神经网络三者相结合的改进预测模型。以泰州市为实例,建立以主成分分析筛选需水量主要影响因子,遗传算法优化BP网络连接权值和阈值的需水预测模型,预测结果与BP神经网络预测模型预测结果做对比。结果表明:改进预测模型对泰州市2003-2014年需水量预测的平均相对误差为0.564%,最大相对误差为1.681%,精度优于BP神经网络预测模型;改进预测模型预测值与实际泰州市需水量吻合良好且训练速度更快、预测精度更高,可作为需水预测的一种有效方法。     

基于主成分分析的BP神经网络在延安市需水预测中的应用

利用延安市1990～2010年的需水量数据,采用主成分分析法对影响水资源需求量的10个因子进行了分析.结果表明:GDP、降雨量、居民生活用水量及生态环境用水量4个因子为影响需水量的主要因子,将此作为主要因子构造BP神经网络的输入样本,建立延安市需水量预测模型.模拟结果与实际值相吻合,并利用模型对2015年需水量进行了预测.     

基于免疫蛙跳算法的小波神经网络的水稻需水量预测

为了避免传统小波神经网络采用基于负梯度方向的BP算法学习训练过程中存在收敛速度慢、易陷入局部最小的缺点,采用改进的免疫蛙跳算法对传统的小波神经网络中各个参数进行优化,提高小波神经网络模型的收敛速度和预测精度,提出了基于改进免疫蛙跳算法优化小波神经网络的预测模型,将该模型应用于水稻需水量的预测中,研究结果表明：该耦合模型优于传统的小波神经网络,对水稻需水量有良好的预测性能。     

BP神经网络方法在灌区需水预测中的应用

以江西省廖坊水利枢纽工程灌区为例,通过查阅年鉴、现场调查和专家咨询确定影响需水量的主要因子,根据确定的主要影响因子构造BP神经网络的输入样本,采用Matlab软件平台编程,建立灌区需水模型.利用建立的模型预测2025年灌区的需水量,并与其他方法的预测成果进行比较.结果表明,BP神经网络方法在廖坊水利枢纽工程灌区需水量预测的应用上是成功的.     

基于RBP神经网络模型的城市需水量方法研究

城市需水量预测是水资源可持续发展的研究基础。需水量预测考虑的影响因素较复杂,增加了需水量预测难度。通过建立RBP神经网络模型,以河北省A城市为例,进行城市需水量拟合与预测,与传统BP神经网络模型和灰色系统模型计算结果进行对比分析,结果表明RBP神经网络模型拟合的相对误差为2.65%,模型预测结果的相对误差为3.92%,计算结果精度高于另外两种方法,对今后城市需水量预测方法研究提供了一种有效方法的借鉴。     

基于Elman-马尔科夫模型的深基坑变形预测

为提高深基坑变形预测精度,在基坑地表沉降预测中引入反馈型Elman神经网络模型,利用Elman神经网络算法实现基坑沉降位移时间序列的滚动预测。以西安地铁5号线某车站基坑工程为例,基于组合预测思想,结合神经网络和马尔科夫链两种预测方法,建立了马尔科夫链优化的神经网络基坑地表沉降预测模型,借助马尔科夫链模型对其随机扰动误差进行修正,并与前馈型BP神经网络滚动预测模型对比。研究结果表明：Elman神经网络预测模型在修正前、后的预测效果均优于BP神经网络模型。设计开发出的基于MATLAB的图形用户界面（GUI）预测系统实现了模型预测过程便捷化,使预测过程能够以图形结果动态展现,具有较强实用价值。     

基于LSTM网络的IISPH流体仿真方法

传统基于物理方程的IISPH流体仿真模型有计算量大、耗时等缺点，对此提出一种基于LSTM神经网络的IISPH流体仿真方法，通过神经网络回归非线性物理模型得到LSTM模型并作为流体仿真的数据驱动项。首先，使用IISPH方法物理求解器获取一次迭代过程中压力项前后的数值，设计一个特征向量作为神经网络的输入，用来训练神经网络模型；然后将该模型替换原有方法中压力项计算方式，作为新的数据驱动，来预测所需要的压力加速度；最后，通过对BP神经网络、随机森林等传统机器学习方法试验对比，LSTM在大幅度提高速度同时，准确度最高。试验证明，与传统方法相比，基于LSTM的流体的IISPH方法在降低极小准确度情况下，速度得到大幅度提升。     

基于GRA-MEA-BP耦合模型的城市需水预测研究

针对城市需水量影响因子多、BP神经网络收敛速度慢、精度低、易陷入局部最优等问题,提出灰色关联分析、思维进化算法、BP神经网络三者耦合的改进预测模型,利用灰色关联分析(GRA)筛选需水量主要影响因子,采用全局搜索能力极强的思维进化算法(MEA)优化BP神经网络的权值和阈值,从而构建GRA-MEA-BP耦合需水预测模型,同时建立BP神经网络模型作为对比。实例应用结果表明,GRA-MEA-BP耦合模型具有更高的预测精度和预测速度,可作为一种有效的需水预测模型。     

基于改进注意力机制的LSTM水位预测模型研究

为了进一步提高水位预测的准确性,本文提出一种融入改进注意力机制的长短期记忆网络（Long Short Time Memory,LSTM）预测模型。该模型将输入序列拆分为时间序列和特征序列,在LSTM网络模型前引入注意力机制对两个序列分别进行注意力计算,然后再进行融合,LSTM网络能够根据重要程度自适应地选择最重要的输入特征,注意力机制层的参数通过竞争随机搜索算法获取,从而进一步增强了模型的鲁棒性。最后在鄱阳湖的水位数据上进行预测实验,结果表明：相对于支持向量回归（SVR）、LSTM等模型,本文提出基于改进注意力机制的LSTM模型具有更好的预测精度,可为水位预测和水资源的精准调度提供技术支持。     

Seq2Seq 模型的短期水位预测

为有效预测未来一定时间内的连续水位,提出了基于序列到序列(Seq2Seq) 的短期水位预测模型,并使用一个长短期记忆神经网络(LSTM)作为编码层,将历史水位序列编码为一个上下文向量,使用另一个LSTM 作为解码层,将上下文向量解码来预测目标水位序列。以流溪河为研究对象,针对不同预测长度分别建立水位预测模型,并与LSTM 模型和人工神经网络(ANN)模型进行了对比。结果表明:Seq2Seq 模型对连续6 h、12 h 和24 h 水位预测的纳什效率系数最高分别为0.93、0.90和0.85;当预测长度为6 h 时,LSTM 和Seq2Seq 模型预测结果相似,ANN 模型精度较低;当预测长度为12 h 和24 h 时,Seq2Seq 模型相比LSTM 模型和ANN 模型预测效果更好,收敛速度更快。     

基于EEMD-LSTM-ARIMA的土石坝渗压预测模型研究

渗压监测是土石坝渗流安全评价的重要内容之一。由于渗压受到诸多外界因素的影响,测点的渗压值时间序列往往存在非平稳性、局部突变等特点,为此基于“分解-重构-组合”的思想构建了土石坝渗压预测的EEMD-LSTM-ARIMA模型。首先采用集合经验模态分解(EEMD)对时间序列特征进行提取,根据长短期记忆神经网络(LSTM)对提取出的特征分量进行预测,同时结合差分自回归移动平均方法(ARIMA)进行残差修正,组合LSTM和ARIMA的预测结果,重构得到改进预测模型。以某深厚覆盖层上的土石坝工程为例,选取主河床坝体防渗墙后2个典型测点的实测渗压值序列为研究对象进行应用验证。结果表明：相较于单一的LSTM模型和ARIMA模型,改进模型的平均绝对误差MAE、均方误差MSE、均方根误差RMSE均为3种模型中的最小值,预测精度明显优于另外2种模型,该模型为土石坝渗压的精确预测分析提供了新途径。     

小波神经网络模型在河道流量水位预测中的应用

鉴于BP神经网络学习收敛速度慢、参数选择困难、易陷入局部极值等缺点,提出小波神经网络河道流量水位预测模型,以盘龙河天保站流量水位预测为例进行分析。采用循环算法确定最佳BP神经网络结构,并在相同网络结构及期望误差等条件下,运用GA优化BP神经网络初始权值和阈值,构建传统BP、GA-BP神经网络河道流量水位预测模型作为对比预测模型。结果表明:小波神经网络结合了神经网络与小波分解在函数逼近上的优点,其预测精度高于传统BP和GA-BP网络模型,表明小波神经网络用于河道流量水位预测是合理可行和有效的,可为水文预测预报提供新的途径和方法。且小波神经网络模型具有计算简便、逼近能力强、收敛速度快,能有效避免局部极值等特点,有着广阔的应用前景。     

RBF神经网络在阿拉尔垦区需水预测中的应用

利用RBF神经网络,建立了阿拉尔垦区需水量预测模型。选取农业用水灌溉定额、工业用水重复利用率、城镇生活人均日需水量、农村生活人均日需水量作为模型输入,农业、工业、城镇生活、农村生活需水量作为输出。将2001—2007年用水量数据作为训练样本,用2008—2009年用水量数据对模型进行检验。在农业、工业、城镇生活、农村生活4类需水量中,2009年工业需水量预测的相对误差最大,为-16.24%,总需水量的最大误差仅为1.80%,取得了较满意的结果,表明RBF神经网络模型用于该区需水量预测是可行的。     

图神经网络驱动的流域洪水预报技术

本研究提出了一个图指导的时空关联预报模型（GSCPM，graph-guided spatiotemporal correlation prediction model），针对性地解决流域洪水预报中的时空关系建模和滞后影响问题。该模型通过多个长短期记忆网络（LSTM）编码每个监测点历史属性的时间关联特征，随后利用图卷积神经网络（GCN）挖掘监测点间的地理空间依赖。此外，提出了雨量滞后特征、泄洪量滞后特征和上游水位滞后特征用以挖掘变量滞后效应。本文在现实流域数据集上进行了广泛的实验，通过跟LSTM、RNN 等模型的比较，证明了GSCPM 模型的优越性，适合在流域洪水预报中推广使用。     

南水北调中线工程水位的水动力-神经网络 耦合预测模型

南水北调中线工程通常以闸前常水位调度运行，而水位在闸门调控影响下多数处于非平稳状态，探索其变 化规律对于监测数据和研究方法均有一定限制和要求。监测数据方面，针对大量的高频监测数据选取均值滤波、 滑动平均值滤波、递推中位值平均滤波法、滑动小波变换进行数据预处理，提高数据质量、增强数据预测的可行 性。研究方法层面，以 BP 神经网络模型和长短期记忆（long?short-term?memory,LSTM）网络模型为主体框架，以水 动力模型的模拟数据为辅助支撑，对比单神经网络在不同工况下的预测效果，输出水动力-神经网络组合预测结果。 结果表明：数据预处理是数据分析和预测的必要环节，高频数据滤波处理再预测可以提高数据预测的精度；均值 滤波、递推中位数均值滤波方式对数据预处理的效果最好，指标合理时滤后决定系数（R2）精度均超过 0.95，且均 方根误差（RMSE）和平均绝对误差（MAE）不超过 0.02，准确性高；基于滤后数据进行模型构建，通过对比数据驱动 模型和数据-机理双重驱动模型的计算结果，R2维持在 0.98 附近，RMSE、MAE 维持在 0.01 左右，耦合模型具有更 好的稳定性和准确性。     

基于EMD-LSTM模型的河流水量水位预测

基于经验模式分解方法和长短期记忆网络(empirical model decomposition and long short-term memory network,EMD-LSTM)模型对水位数据进行预测。先采用中值滤波对数据序列进行预处理,然后对数据序列进行EMD分解,并对EMD分解的每个特征序列使用LSTM模型进行预测,最后叠加各个序列预测值,得到最终的预测结果。以南水北调工程某河流每隔1 h的瞬时流量、流速和水深监测数据为研究对象,采用EMD-LSTM模型进行建模,试验结果表明,该模型能够实现水位、水速和瞬时流量连续12 h和6 h的准确预测,且比LSTM模型具有更高的预测精度,可为水位预判和水资源的实时调度提供决策依据。