改进的RBF网络在区域需水预测中的应用

利用径向基函数神经网络，建立了区域用水量预测模型，改进了RBF网络学习方法；根据某地区近年来影响用水量主要影响因素的数据对该网络进行训练，并用训练好的网络模型对该区域以往和今后不同年份的用水量进行预测；对以往用水量预测结果表明该模型有较高预测精度、通用性和客观性．     

蚂蚁算法在日用水量预测中的应用研究

城市日用水量预测是城市供水管网系统动态模拟的基础和前提,用神经网络对城市日用水量预测的非线性回归组合模型求解的过程中,提出了采用新型的仿生算法——蚂蚁算法来训练神经网络的权值．此方法简化了训练过程,避免了BP算法易陷于局部极值等问题．将经过蚂蚁算法训练的神经网络应用到S．X市日用水量预测模型中,显示了此网络模型具有良好的预测能力,验证了基于蚂蚁算法的神经网络在城市日1用水量的预测中具有有效性和可行性．     

城市日用水量预测的神经网络方法

介绍了城市日用水量预测的BP神经网络方法,分析了日用水量的变化规律和影响因素.以每日最高温度、最低温度、晴雨情况、星期及前一日用水量为输入节点,预测日用水量为输出节点,建立了日用水量预测神经网络模型,编制出预测模型的计算机程序.通过实测数据进行了模型检验,对预测结果进行了分析.     

GNNM(1,1)模型在城市用水量预测中的应用

我国城市年用水量数据较少并与诸多因素息息相关,是一个典型的灰色系统。本文利用灰色系统的少数据建模优点和神经网络的精度可控性优点,建立了城市年用水量的灰色神经网络GNNM(1,1)模型。利用该模型对S市城市用水量进行了实际预测研究,实例证明了该方法的正确性和科学性。     

城市日用水量预测模型比较研究

目的 为保障预测结果准确可靠,建立精度高、可靠性强的城市日用水量模型.方法 应用单指数平滑法、灰色方法与BP神经网络方法,分别建立相应日用水量预测模型,并以哈尔滨市的日用水量数据为原始数据进行了实际预测.结果 单指数平滑法与BP神经网络模型预测精度较高.用灰色模型预测,所得数值呈递减趋势,其预测精度最低.结论 BP网络预测模型是最有效的日用水量预测模型.如果日用水量变化不大,还可采用单指数平滑法预测日用水量.     

GNNM(1,1)模型在城市用水量预测中的应用

我国城市年用水量数据较少并与诸多因素息息相关，是一个典型的灰色系统。本文利用灰色系统的少数据建模优点和神经网络的精度可控性优点，建立了城市年用水量的灰色神经网络GNNM（1，1）模型。利用该模型对S市城市用水量进行了实际预测研究，实例证明了该方法的正确性和科学性。     

BP网络的城市时用水量预测组合模型

为建立起城市用水量与其影响因素间的预测模型,以预测的城市用水量趋于合理,针对城市时用水量的特点及影响因素,在考虑充分利用各因素历史观测数据的基础上,利用BP神经网络建立了城市时用水量的时间序列预测与解释性预测组合模型,并对南京市的时用水量进行了预测.预测结果与实际情况具有很好的一致性,预测误差小,能满足供水系统调度的实际需要.可见,本预测组合模型是合理的,为城市时用水量预测提供了一种可行方法.     

神经网络在城市用水量预测中的应用研究

考虑城市用水量受众多因素影响 ,具有系统稳定性和非线性的特点 ,探讨了基于神经网络的城市用水量预测的非线性时间序列递推预测方法 ,并利用该方法对郑州市城市用水量进行了时间序列模拟 ,实例证明了该方法的正确性和科学性 .将神经网络的BP算法应用于城市用水量系统的建模和预测 ,并给出了较为详细的计算结果 ,具有一定的理论价值     

灰色神经网络耦合模型在城市需水量预测中的应用

目的为了更准确预测城市用水量,弥补灰色和神经网络预测模型在中长期需水量预测中的不足.方法采用最小方差法建立了灰色新息递补模型和新息递补BP神经网络的耦合模型即灰神经模型,并对城市需水量进行预测.结果预测沈阳市生活需水量,灰神经网络耦合模型的平均相对误差为0.144%;预测沈阳市工业需水量,灰神经网络耦合模型的平均相对误差为0.19%.在模拟精度方面远远高于其他模型的模拟值,提高了预测的准确性.结论提出了用灰色神经模型来预测城市需水量的方法,能更好地预测城市未来需水量,把影响预测的不定因素降到最低限度,具有广泛的实用性.     

三种城市日用水量预测模型对比研究

为实现科学、安全供水,建立精度高、可靠性强的城市日用水量预测模型,分别运用单指数平滑法、灰色预测方法、BP神经网络三种方法,对A市进行城市日用水量预测,并具体分析了各种方法的优缺点及适用范围.通过优化对比分析,当基础数据较完善时,BP神经网络预测模型精度较高,能较好地满足预测要求.     

混沌局域法与神经网络组合供水量预测

城市供水量是非线性、非平稳时间序列,组合预测模型能获得更高精度预测结果。通过深入分析混沌局域法与神经网络预测模型特点,提出了一种新的组合预测模型。首先,应用混沌局域法对城市日供水量进行初预测,然后,应用神经网络对预测结果进行修正。由于所提出的组合模型利用了混沌局域法及神经网络进行优势互补,能同时提高预测精度与计算效率。为验证所提出组合预测模型的可行性,采用某市7 a实测供水量数据,对混沌局域法、BPNN、RBF及GRNN神经网络4种单一预测模型及相应的3种组合模型预测精度进行定量分析,结果表明,组合预测模型精度都高于对应单一预测模型,混沌局域法与GRNN神经网络组合模型预测精度最高,且运算时间远低于单一神经网络模型运算时间。     

基于改进的Chebyshev神经网络的用水量预测

针对目前Chebyshev神经网络存在的不足,从算法和网络结构方面进行了综合改进。改进后的Chebyshev神经网络不仅符合生物神经网络的基本特征,算法简单,收敛速度快,而且网络输入可以是任意值,是一种多输入的多层前向神经网络模型,因而扩大了网络辨识模型的能力与学习适应性,并有逼近任意线性和非线性映射的优异特性。用改进的Chebyshev神经网络对城市的家庭用水需求量进行建模和预测。仿真结果表明,改进的Chebyshev神经网络为预测家庭用水需求量提供了一种有效的方法,它不仅具有优良的预测能力,而且在相同精度的前提下,其收敛速度也优于一般的BP网络。     

BP神经网络在柳江径流预测中的应用

径流水位预测是进行洪水监测的重要手段,对于包含详尽信息的广西柳江日径流水位时间序列,采用基于BP神经网络模型进行预报可取得较好效果.如LMBPDH模型采用双隐含层BP网络能加强预测模型输入输出的非线性映射能力,采用Levenberg Marquardt （LM）算法对网络进行训练则能缩短BP网络的收敛时间,改善网络的收敛性能,同时采用实验法确定模型的其他参数使模型获取最佳预报性能.在对柳江近10年日平均水位的预测中,将LMBPDH模型与单隐含层BP神经网络、LM算法以及带适应学习率和动量因子的梯度递减法算法等组合构成的BP神经网络模型,以及遗传算法进化的神经网络模型比较,LMBPDH模型预报稳定性、预报准确率最佳.     

神经网络在短期电力负荷预测中的应用

给出了改进的BP网络和RBF网络的构造过程和训练方法.在改进的BP网络中不仅加入了动量项和变步长法，而且在模型中合理地考虑了影响负荷变化的主要气象因素，使其能够适应天气的变化.在RBF网络中，为了克服传统K均值聚类法局部寻优的缺陷，采用了正交最小二乘法选取RBF中心.利用改进的BP网络和RBF网络进行了短期电力负荷预测，并对训练的收敛速度和预测精度进行了分析.比较两种模型，RBF网络比BP网络更具有实用性和可开发性.     

城市需水预测方法研究

详细阐述了采用BP神经网络和模糊神经网络进行城市需水预测的方法，并将这两种方法应用到天津市需水预测的实证研究中．通过对这两种方法进行比较．发现在相关因素数据比较齐全时，模糊神经网络有比较好的模拟结果。     

城市供水系统两级优化调度的宏观模型研究

在简略阐述净水厂的优化调度模型应针对具体供水系统特征建立的观点后，着重说明了应用前馈神经网络理论建立反映供水系统管网工况的宏观模型新方法，并以沈阳市供水系统为基础提出了两级优化调度数学模型。实例计算与分析结果表明，优化后的调度方案不仅能显著提高各供水二泵站的运行效率，而且可节省电耗约３６％。     

基于CNN-ResNet-LSTM模型的城市短时交通流量预测算法

针对交通流量特性和外部因素对交通流量预测结果的影响,提出了一种对城市短时交通流量预测的模型CNN-ResNet-LSTM,将卷积神经网络（CNN）、残差神经单元（ResNet）和长短期记忆循环神经网络（LSTM）集成到一个端到端的网络框架.利用卷积神经网络来捕获城市区域间交通流量的局部空间特征,并在卷积神经网络中加入多个残差神经单元来加深网络深度,可提高预测的准确性;利用长短期记忆循环神经网络来捕获交通流量数据的时间特征;利用相应的权重将2个网络的输出结果融合,得到通过轨迹数据预测的结果;最后与外部因素融合,得到城市区域的交通流量预测值.用北京市轨迹交通数据对该模型进行验证,CNN-ResNet-LSTM模型不仅在准确率方面比传统模型高,而且在保证预测准确率的情况下,模型使用的参数也少.     

基于异常值识别的计量小区短期需水量预测

需水量预测是进行水资源调配、节能降耗和降低管网水龄的关键问题。现有需水量预测研究主要对预测模型进行改进,而忽视了对预测准确性至关重要的预处理步骤,如异常值处理,限制了预测模型的精度。为此,建立基于密度的局部离群因子模型(local outlier factor, LOF)对需水量数据中的异常值进行识别及矫正,并将其与一种新兴的高精度、高效率梯度提升树算法(light gradient boosting machine, LightGBM)结合,形成组合需水量预测模型(LOF+LightGBM)。通过实际案例进行模型性能测试,结果表明,相比基于原始数据的预测模型,基于经过LOF模型处理后的需水量数据进行预测的模型均方根误差平均降低10%。LightGBM模型在不同数据集上的绝对平均误差比人工神经网络和支持向量机平均降低了24.7%。整体上,LOF+LightGBM表现最佳预测性能,3个计量小区(district metered area, DMA)的纳什效率系数分别为0.886、0.951、0.942。所有模型训练及预测时间均小于0.7 s。无论是LOF模型、LightGBM模型还是LO...     

电价与负荷的相关性分析及其在电价预测中的应用

为解决传统电价预测模型需要对周末等电价波动较大预测日单独建模,以及模型不加区分地引入负荷因素影响预测精度的问题,提出了利用电价与负荷的相关系数判定是否将负荷因素引入粒子群-BP神经网络模型的新方法,将相关系数作为输入样本的阈值,判定是否在模型输入样本中引入负荷因素.在电价变化平稳、电价与负荷相关性较弱时,在电价预测模型中不引入负荷因素,解决了粒子群-BP神经网络模型由于非关联输入样本过多而影响学习效率、导致预测精度降低的问题.仿真结果表明,新的预测模型对电价相对平稳和波动较大的预测日预测精度明显提高,可用于电力市场的短期电价预测.