多元线性回归模型在城市用水量预测中的应用

应用多元回归的方法,对城市用水量进行预测。采取向前选择变量法进行优选,得到相对最优的回归预测模型。该模型拟合情况良好,可以用来预测城市用水量。     

基于SPSS多元回归分析的城市地下水用水量预测

以张家口市为例,基于SPSS软件,应用多元线性回归分析原理及模型,对张家口市地下水用水量预测进行研究.该模型的最大误差为1.91％,最小误差为0.22％,平均误差为0.57％,模拟情况良好.通过研究,对地下水资源的合理配置、有效利用意义重大.     

多元线性回归与GM(1,1)模型耦合预测城市用水量

合理预测城市用水量对于城市的发展有着极其重要的意义.本文首先应用多元回归的方法,采取向前选择变量法进行优选,得到相对最优的回归预测模型.然后利用灰色GM(1,1)模型,预测出规划年每个变量的值,代入多元回归模型,这样充分利用了两种模型的优点,预测精度高,结果更为合理可靠.     

模糊线性回归法在用水量预测中的应用

为提高用水量的预测精度,提出一种改进的模糊线性回归预测方法,将其预测模型的求解归结为一个线性规划问题。实例验证表明,改进的模糊线性回归方法预测精度明显高于普通线性回归预测精度,且能有效地解决观测数据不精确及用水量变化不确定时的预报问题。     

多元线性回归与GM（1，1）模型耦合预测城市用水量

合理预测城市用水量对于城市的发展有着极其重要的意义。本文首先应用多元回归的方法，采取向前选择变量法进行优选，得到相对最优的回归预测模型。然后利用灰色GM（1，1）模型，预测出规划年每个变量的值，代入多元回归模型，这样充分利用了两种模型的优点，预测精度高，结果更为合理可靠。     

基于PCA-RBF神经网络模型的城市用水量预测

针对城市用水量影响因素众多、关联性较强以及BP神经网络收敛速度慢、易陷入局部极小值等问题,采用组合主成分分析(PCA)与RBF神经网络的方法预测城市用水量。利用主成分分析对用水量影响因素进行降维,消除多重共线性,选取能够替代原用水量影响因素的前三个主成分作为输入因子,选用学习和收敛速度快、模式识别能力强的RBF神经网络进行预测。研究结果表明,该模型的相对误差平均值在训练和预测阶段均最小,分别为0.165 4%和0.677 5%,学习和预测能力均优于RBF和BP神经网络模型,提高了收敛速度和预测精度;主成分数量从3个增加到5个,信息量累积贡献率从93.09%增加到98.37%,平均相对误差从0.250 7%降至0.206 0%,预测精度略有提高。对2015—2020年枣庄市用水量进行预测,总用水量先有小幅上升,后又下降,呈现"倒U型"增长。该模型对城市区域水资源规划具有参考价值。     

主成分回归在城市用水量预测中的应用

运用多元统计分析中的主成分分析法通过提取两个主成分,克服变量之间的相关性,然后再进行回归,建立主成分回归的城市用水量模型,并对模型进行了拟合检验,取得了较为满意的结果。     

基于线性回归法预测南方居民夜间合法用水量研究

DMA小区内无收益水量类型较多,分析困难,对其类型准确分离的关键是确定居民夜间合法用水量。以南方某市8个居民小区17 000余户智能水表实时远传数据为基础样本,采用统计学方法对居民夜间合法用水量进行了研究。户均夜间合法用水量Y与户均日用水量X之间存在较好的线性相关性,其回归方程为Y=7.876 X+0.446(R~2=0.760)。并在6个新安装的智能小区加以验证,整体准确性较高。采用年度平均值实时估计夜间合法用水量时,其误差范围宽度与用户夜间合法用水总量的年度平均值存在显著的线性关系。应用线性回归方程,同时考虑误差范围,可计算得到未装智能远传水表的DMA小区居民夜间合法用水量,从而为小区漏损控制奠定基础。     

灰色模型在城市用水量预测中的应用

城市年用水量为城市建设规划以及供水管网改扩建提供依据.我国城市年用水量序列特点是记录时间短,记录数据少.针对我国城市年用水量数据序列的这种特点对其进行分析研究,利用灰色系统理论,建立预测年用水量GM(1,1)模型,并以湖州市年用水量数据为原始数据进行了实际预测,取得了较好的预测效果.     

基于组合灰色模型的阿克苏市城市用水量预测

基于灰色预测理论,建立了残差灰色预测模型与等维递补预测模型两者相结合的组合灰色预测模型,可以对城市用水量进行预测。以新疆阿克苏市1990～2002年用水量作为建模数据,利用4种不同模型分别对2003～2005年用水量进行预测。结果表明:组合灰色预测模型预测精度明显高于单一的灰色模型,具有预测精度高、简捷实用等特点。     

城市用水量预测

本文引用柯布——道格拉斯生产函数建立城市用水量预测模型,并以某市为背景作了实例计算,分析了城市居民消费水平、居住面积以及工业总产值的增长对该市2000年和2010年用水量的影响。     

偏最小二乘回归与灰色模型耦合预测城市用水量

 影响城市用水量的各个因素,存在多重相关性,采用传统最小二乘回归法建模,其估计参数存在较大误差,预测精度降低。运用偏最小二乘回归法建立城市用水量的预测模型可以克服变量间的多重相关性影响,并可以很好地解释因变量;采用GM（1,1）建立的城市用水量预测模型,能够克服参数的非线性干扰,进行中长期预测。结果和实际符合,将两者进行耦合,充分利用了两种模型的优点,预测结果更为合理可靠。     

用灰色动态模型预测城市用水量

在世界水资源发生严重危机的今天,人们更加认识到城市用水量预测的必要性和重要性。城市用水量的预测就是根据城市迄今为止已知的用水量及与此相关的其它资料来分析未来某一时刻(时段)用水量的过程。通过预测,为城市社会经济的发展、水资源的开发分配、水污染控制乃至社会经济的规划等提供必要的信息。 灰色系统是相对黑色和白色系统而言。黑色表示信息缺乏,白色表示信息充足,而灰色系统是指系统中既含有已知信息又含有未知或     

遍历灰色模型对城市用水量的预测

考虑到原始序列中个别值的偶然波动影响传统GM(1,1)模型的预测精度,基于GM(1,1)模型的基本原理,构造了遍历灰色模型T-GM(1,1)。结果表明,T-GM(1,1)大大提高了模型的预测精度,将原始序列中不确定因素对预测精度的影响降到了最低,具有广泛的实用性。     

基于灰色理论的城市用水量预测

运用灰色预测理论建立用水量的GM(1,1)模型,以邯郸市区历年用水量为原始数据序列进行预测,用后验差法检验模型精度。该模型实质上是一个指数型函数,其预测效果很大程度上取决于原始数据的特点,要求时间序列近似指数规律变化或者说要求数据总体上呈单调较平缓变化,而不是周期性或无序性变化。     

基于神经网络的城市日用水量预测

分析了影响城镇日用水量的非线性因素,利用人工神经网络,选择影响城市日用水量的主要因素。建立城镇日用水量预测模型,并将该模型的预测效果与传统的日用水量模型预测效果进行比较,结果显示该模型的预测精度更高、所需时间更短、更适用于影响因素较多的城市日用水量的预测。     

基于多尺度相关向量机的城市日用水量预测

为提高日用水量预测精度,提出一种基于多尺度相关向量机的预测模型。通过静态小波分解将用水量非平稳时间序列分解为不同尺度的平稳时间序列,然后在分解后的各子序列分别建立相关向量机回归模型进行预测,最后通过小波逆变换将各子序列预测结果整合得出原始用水量时间序列的预测值。在实例分析中分别利用多尺度关联向量机模型和单尺度相关向量机预测模型对实际用水量进行预测分析。结果表明,前者具有更高的预测精度,可应用于城市日用水量的预测。     

灰色新陈代谢模型在城市生活用水量预测中的应用

应用常规GM（1,1）模型和新陈代谢GM（1,1）模型对上海市生活用水量进行了预测。首先利用常规GM（1,1）模型对上海市生活用水量进行了建模,结果随时间序列延长,常规模型对未来的一些扰动因素无法准确把握导致精度逐渐降低。然后采用了新陈代谢GM（1,1）模型进行建模预测,并与常规GM（1,1）模型预测结果的精度进行了对比,结果显示：新陈代谢GM（1,1）模型预测精度达到94.56%,明显高于常规GM（1,1）模型精度。因此,新陈代谢模型能有效提高预测精度,可作为城市未来生活用水量的一种有效预测工具。