本文關(guān)鍵詞： 城市用水量預(yù)測(cè) 主成分分析 RBF神經(jīng)網(wǎng)絡(luò) BP神經(jīng)網(wǎng)絡(luò) 主成分?jǐn)?shù)量 需水預(yù)測(cè)　出處：《水利水電技術(shù)》2017年07期 　論文類型：期刊論文

【摘要】：針對(duì)城市用水量影響因素眾多、關(guān)聯(lián)性較強(qiáng)以及BP神經(jīng)網(wǎng)絡(luò)收斂速度慢、易陷入局部極小值等問題,采用組合主成分分析(PCA)與RBF神經(jīng)網(wǎng)絡(luò)的方法預(yù)測(cè)城市用水量。利用主成分分析對(duì)用水量影響因素進(jìn)行降維,消除多重共線性,選取能夠替代原用水量影響因素的前三個(gè)主成分作為輸入因子,選用學(xué)習(xí)和收斂速度快、模式識(shí)別能力強(qiáng)的RBF神經(jīng)網(wǎng)絡(luò)進(jìn)行預(yù)測(cè)。研究結(jié)果表明,該模型的相對(duì)誤差平均值在訓(xùn)練和預(yù)測(cè)階段均最小,分別為0.165 4%和0.677 5%,學(xué)習(xí)和預(yù)測(cè)能力均優(yōu)于RBF和BP神經(jīng)網(wǎng)絡(luò)模型,提高了收斂速度和預(yù)測(cè)精度;主成分?jǐn)?shù)量從3個(gè)增加到5個(gè),信息量累積貢獻(xiàn)率從93.09%增加到98.37%,平均相對(duì)誤差從0.250 7%降至0.206 0%,預(yù)測(cè)精度略有提高。對(duì)2015—2020年棗莊市用水量進(jìn)行預(yù)測(cè),總用水量先有小幅上升,后又下降,呈現(xiàn)"倒U型"增長。該模型對(duì)城市區(qū)域水資源規(guī)劃具有參考價(jià)值。
[Abstract]:In view of many factors affecting urban water consumption, strong correlation and slow convergence speed of BP neural network, it is easy to fall into local minimum, etc. The method of combined principal component analysis (PCA) and RBF neural network was used to predict urban water consumption. The dimension of influencing factors of water consumption was reduced by principal component analysis (PCA), and the multiple collinearity was eliminated. The first three principal components which can replace the factors affecting the original water consumption are selected as input factors, and the RBF neural network, which has fast learning and convergence speed and strong pattern recognition ability, is selected for prediction. The average relative error of the model is the smallest in the training and prediction stages, which is 0.165 4% and 0.677 5, respectively. The learning and prediction ability of the model is better than that of the RBF and BP neural network models, and the convergence rate and prediction accuracy are improved. The number of principal components increased from 3 to 5, the cumulative contribution rate of information increased from 93.09% to 98.37, the average relative error decreased from 0.250 7% to 0.206 0, and the prediction accuracy was slightly improved. The total water consumption of Zaozhuang City in 2015-2020 was first slightly increased. The model has reference value for urban water resources planning.
【作者單位】： 天津大學(xué)水利工程仿真與安全國家重點(diǎn)實(shí)驗(yàn)室;
【基金】：“十二五”國家科技支撐計(jì)劃項(xiàng)目(2015BAB07B02) 國家自然科學(xué)基金創(chuàng)新群體基金項(xiàng)目(51621092);國家自然科學(xué)基金(51609166)
【分類號(hào)】：TV213.4

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 陳金錐;王峰;魏忠慶;;用水量預(yù)測(cè)模型的灰色綜合評(píng)價(jià)與擇優(yōu)[J];水科學(xué)與工程技術(shù);2007年02期

2 任加銳,唐德善;新疆地區(qū)用水量現(xiàn)狀調(diào)查及預(yù)測(cè)分析[J];西北水電;2005年02期

3 陳南祥;徐海洋;;模糊線性回歸法在用水量預(yù)測(cè)中的應(yīng)用[J];人民黃河;2007年05期

4 高曉冬;耿雷華;劉恒;姜蓓蕾;童坤;;“十二五”全國萬元工業(yè)增加值用水量目標(biāo)可達(dá)性分析[J];水利經(jīng)濟(jì);2013年05期

5 張智;陳金錐;魏忠慶;谷塵勇;劉亞麗;;城市年用水量的分類預(yù)測(cè)探析[J];水科學(xué)與工程技術(shù);2006年04期

6 范通達(dá);江兵;范戊均;方韜;;基于主成分分析的多元線性回歸用水量模型研究——以安徽省為例[J];基建優(yōu)化;2007年02期

7 王春超;王麗萍;曹云慧;朱艷霞;張驗(yàn)科;;改進(jìn)多變量灰色模型在城市用水量預(yù)測(cè)中的應(yīng)用[J];水電能源科學(xué);2013年02期

8 王同生;對(duì)九十年代太湖流域?qū)嶋H和預(yù)測(cè)用水量的一些分析[J];水利規(guī)劃設(shè)計(jì);2001年03期

9 徐得潛;;城市用水量預(yù)測(cè)[J];水資源與水工程學(xué)報(bào);1992年03期

10 楊雪菲;粟曉玲;馬黎華;;基于人工神經(jīng)網(wǎng)絡(luò)模型的關(guān)中地區(qū)用水量的預(yù)測(cè)[J];節(jié)水灌溉;2009年08期

相關(guān)會(huì)議論文 前1條

1 熊建秋;鄒長武;李祚泳;徐婷婷;汪嘉楊;;基于支持向量機(jī)的人均綜合用水量預(yù)測(cè)[A];中國環(huán)境保護(hù)優(yōu)秀論文集（2005）（上冊(cè)）[C];2005年

相關(guān)碩士學(xué)位論文 前3條

1 艾薩迪拉·玉蘇甫;新疆喀什地區(qū)城市化過程中用水量預(yù)測(cè)研究[D];新疆師范大學(xué);2016年

2 李賀;基于自組織數(shù)據(jù)挖掘方法的區(qū)域用水量預(yù)警分析[D];華北電力大學(xué)(北京);2016年

3 周戎星;區(qū)域用水量驅(qū)動(dòng)因子識(shí)別及其預(yù)測(cè)研究[D];合肥工業(yè)大學(xué);2014年

，

本文編號(hào)：1506479