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BP神经网络的区域需水预测

本文基于BP神经网络L-M的改进算法,建立人工神经网络区域需水预测模型,选取GDP、人口、粮食作为区域需水预测因子,将BP神经网络模型应用到文山州区域需水预测中,并运用MATLAB神经网络工具箱进行模拟计算.     

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.     

主成分回归在需水预测中的应用

城市需水量的准确预测对区域的发展具有十分重要的意义。城市需水受多重因素的影响,且这些因素大多存在较强的相关性。通过主成分分析法的计算分析,以金华市为例,采用2000-2010年的城市用水资料建立回归模型对需水量进行预测。结果表明:该模型应用于城市用水预测,其结果与当地实际情况较为吻合,模型的拟合程度和预测准确度较好。     

基于主成分回归分析的需水预测研究

水资源是城市发展的动力,需水量准确预测对城市可持续发展具有重要意义。需水量受多重因素影响,单一使用多重线性回归难以保证预测的准确性和科学性。根据南京市2005—2014年7个经济、社会发展相关指标,利用主成分回归分析建立模型使用原始变量对用水量进行预测。结果表明,应用主成分回归模型进行需水预测,比多重线性回归模型精度高,也较好地拟合了实际用水量。     

基于耦合主成分法的小波网络模型城市需水预测

为了尽可能准确预测城市未来的需水量,以上海市为例,对年用水量的9个相关因子进行主成分分析,得到两个综合因子。将两综合因子与用水量的历史数据一起作为输入项,建立一种小波网络模型,以1980～2005年的数据为训练样本,采用引入了附加动量项和自适应学习率的BP算法进行模型率定,并以2006～2008年的数据对模型进行了检验。结果表明:所建模型结构简洁,收敛速度与预测精度均较为理想,在城市需水预测中有着广阔的应用前景。而如何选择最佳隐层数和隐层节点数以及获得更快的收敛速度仍将是今后研究的重点问题     

基于灰色遗传BP神经网络的校园区间需水预测研究

水资源预测是城市安全用水的基础保障,而校园用水预测是城市用水规划和管理的组成部分。针对校园用水受很多因素影响产生的不确定性,提出了基于灰色遗传BP神经的校园用水预测模型。模型对校园用水的数据进行灰色关联分析,并加入遗传算法去优化BP神经网络,经过残差计算,输出区间的预测值。运用该模型可以充分提取小样本信息,解决神经网络无法自动寻优的问题。通过Matlab对校园的用水区间数据进行仿真,得出的结果显示,预测的数据和实际数据基本吻合,其仿真精度可以达到90. 32%,验证了该方法的可行性,此预测方法有一定的借鉴意义。     

基于相空间重构原理的遗传神经网络模型在城市需水预测中的应用

针对多元变量需水预测模型中变量之间普遍存在多重共线性问题以及BP神经网络收敛速度慢、易陷入局部极值等缺点,将相空间重构原理及遗传算法(GA)引入BP神经网络需水预测模型中,提出基于相空间重构原理的GA-BP城市需水预测模型,并对上海市需水预测进行实例分析。实例分析结果表明:GA-BP模型对上海市2005—2009年的年用水量预测平均相对误差绝对值和最大相对误差绝对值分别为1.4344%和2.7672%,对2010—2011年的年需水量预测相对误差分别为0.5136%和0.0270%,精度均优于BP神经网络预测模型;基于相空间重构原理的GA-BP需水预测模型具有较好的预测精度和泛化能力,是提高需水预测精度和泛化能力的有效方法。     

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。     

基于主成分分析的水质评价研究

借助于统计分析软件SPSS,使用主成分分析法对长江中泓断面2001-2008年的水质进行了评价。首先找出可以综合反映水质指标的主成分,然后得到综合评价函数。根据主成分和综合评价函数得分及排序,对2001-2008年长江中泓断面水质评价结果为:2007年1月水质最差,2003年5月水质最好,水质状况近年来呈逐年恶化的趋势。     

基于主成分回归分析的城市需水量预测

科学预测城市需水量对城市的发展具有十分重要的意义。城市需水量受到多重因素的影响,各因素之间的相关性较大,从而导致一些预测计算结果失真,使一些公式的适用性不强。为此,采用主成分回归建模,借助主成分分析与典型相关分析的思路,有效地解决了各因子之间的相关问题．建立了城市需水量预报模型。结果表明,模型的拟合和预报精度均较好。     

基于BP神经网络的宁夏水资源需求量预测

利用宁夏2000-2010年的需水量数据,提取了人口数、GDP、工业总产值和降水量为主要影响因子,采用主成分分析法对影响水资源需求量的8个因子进行了分析。将此作为输入样本构建BP神经网络模型,用训练测试好的神经网络对2011和2012年水资源需求量进行了预测,预测结果为宁夏水资源规划管理提供参考。     

基于BP神经网络的义乌市水资源需求量预测

针对区域水资源需求量的预测问题,由影响义乌市水资源需求量变化的三类影响因子——经济发展与水资源量不协调因素、人口因素和水环境破坏因素三类入手,运用BP神经网络模型对该区域水资源需求量进行预测,通过网络学习训练得出义乌市2010年水资源需求量为2.684103×108m3。其结果可为政府决策者制定与水资源相协调的区域发展规划提供一定的参考。     

基于主成分分析与BP神经网络模型的大坝渗流监测资料分析

大坝渗流观测资料分析中,各因子间常存在不同程度的相关性,这种相关性有时会对分析效果产生较大的影响,另外,通常的回归模型为线性模型,难以精确反映一般为非线性函数的因变量的变化规律。针对上述问题,本文将主成分分析和神经网络相结合,建立大坝渗流观测数据的主成分神经网络模型,经实例计算,该模型的预报精度较高。     

基于改进型BP神经网络马尔科夫模型的区域需水量预测

为提高需水量预测的精确度,应用了一种BP神经网络与马尔科夫相结合的预测模型,介绍了它的基本原理及算法,并给出了该模型建立的具体过程,最后该模型被应用于需水量预测工作中,计算证明取得了较好的效果。     

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。