本文選題：主成分分析 + BP神經(jīng)網(wǎng)絡　； 參考：《南水北調與水利科技》2017年06期

【摘要】：針對城市需水預測模型中需水量影響因子多、影響因子之間普遍存在多重共線問題,以及BP神經(jīng)網(wǎng)絡收斂速度慢、易陷入局部最優(yōu)等缺點,提出一種由主成分分析、遺傳算法及BP神經(jīng)網(wǎng)絡三者相結合的改進預測模型。以泰州市為實例,建立以主成分分析篩選需水量主要影響因子,遺傳算法優(yōu)化BP網(wǎng)絡連接權值和閾值的需水預測模型,預測結果與BP神經(jīng)網(wǎng)絡預測模型預測結果做對比。結果表明:改進預測模型對泰州市2003-2014年需水量預測的平均相對誤差為0.564%,最大相對誤差為1.681%,精度優(yōu)于BP神經(jīng)網(wǎng)絡預測模型;改進預測模型預測值與實際泰州市需水量吻合良好且訓練速度更快、預測精度更高,可作為需水預測的一種有效方法。
[Abstract]:In view of the many factors affecting the water demand in the urban water demand forecasting model, the common multiple collinear problem exists among the influencing factors, and the slow convergence speed of the BP neural network and easy to fall into the local optimality, an improved prediction model is proposed by combining the principal component analysis, the genetic algorithm and the BP neural network three. A case of Taizhou is established. The main influence factors of water demand are selected by principal component analysis, and the genetic algorithm is used to optimize the water demand prediction model of BP network connection weights and thresholds. The prediction results are compared with the prediction results of the BP neural network prediction model. The results show that the average relative error of the improved prediction model for the 2003-2014 year water demand forecast in Taizhou is 0.564% and the maximum relative value is relative. The error is 1.681%, and the accuracy is better than the BP neural network prediction model. The improved prediction model is in good agreement with the actual water demand in Taizhou, and the training speed is faster and the prediction accuracy is higher. It can be used as an effective method for water demand prediction.
【作者單位】： 河海大學水利水電學院;泰州市水資源管理處;
【基金】：國家重點計劃研發(fā)課題(2016YFC0400909;2016YFC0402605) 江蘇省高校優(yōu)勢學科建設工程資助項目(水利工程)~~
【分類號】：TP18;TV213.4

【相似文獻】

相關期刊論文 前10條

1 于東;祝成功;;簡述城市需水預測的分類和方法[J];水利科技與經(jīng)濟;2007年02期

2 王海鋒;賀驥;龐靖鵬;張旺;;需水預測方法及存在問題研究[J];水利發(fā)展研究;2009年03期

3 劉俊萍;暢明琦;;RBF神經(jīng)網(wǎng)絡模型在山西省需水預測中的應用[J];人民黃河;2007年04期

4 劉志峰;周鵬;穆清泉;江偉偉;馬兵;;臨沂市需水預測信息系統(tǒng)的研究和探討[J];國土資源科技管理;2007年03期

5 張靈;陳曉宏;謝毅文;;投影尋蹤在珠海市需水預測中的應用[J];人民長江;2008年06期

6 于巖;劉洪昌;崔龍飛;王琳琳;;東營市需水預測規(guī)劃研究[J];今日科苑;2008年08期

7 王艷菊;王玨;吳澤寧;胡彩虹;;基于灰色關聯(lián)分析的支持向量機需水預測研究[J];節(jié)水灌溉;2010年10期

8 范群芳;王琳;左小德;鄭江麗;李興拼;覃杰香;;廣西北部灣經(jīng)濟區(qū)跨越式經(jīng)濟發(fā)展模式下的需水預測研究[J];人民珠江;2010年06期

9 邵惠芳;張彤;黃大英;王萍;;北京市城市需水預測研究[J];北京水務;2012年01期

10 王春娟;馮利華;羅偉;龐小笑;;主成分回歸在需水預測中的應用[J];水資源與水工程學報;2013年01期

相關會議論文 前2條

1 蔡素芳;梅亞東;;需水預測研究綜述[A];變化環(huán)境下的水資源響應與可持續(xù)利用——中國水利學會水資源專業(yè)委員會2009學術年會論文集[C];2009年

2 滕金伯;吳慧秀;張弘;杜中;;基于“三條紅線”控制目標復核的需水預測研究[A];水與水技術（第4輯）[C];2014年

相關碩士學位論文 前7條

1 米財興;榆陽區(qū)需水預測與水資源優(yōu)化配置研究[D];西北農(nóng)林科技大學;2015年

2 王雪梅;南水北調河北省受水區(qū)需水預測與水資源配置研究[D];中國水利水電科學研究院;2015年

3 耿曙萍;交互式城市需水預測模型的建立及其應用[D];新疆農(nóng)業(yè)大學;2006年

4 覃杰香;跨越式經(jīng)濟發(fā)展地區(qū)需水預測方法研究[D];華南理工大學;2012年

5 馬俊;基于遺傳模擬退火算法與神經(jīng)網(wǎng)絡組合模型的需水預測方法研究[D];西安理工大學;2009年

6 姜瓊;基于可持續(xù)利用水量的需水預測方法研究[D];河海大學;2006年

7 何慧凝;北京市需用水規(guī)律研究[D];清華大學;2010年

，

本文編號：2102199