下载文档原格式
BP神经网络在土壤水分预测中的应用
田芳明;周志胜;黄操军;孙红江
【期刊名称】《电子测试》
【年(卷),期】2009(000)010
【摘要】土壤水分预测是一个复杂的非线性系统,受土壤复杂结构和气象因子影响显著,很难建立一个理想的土壤水分预测数学模型.本文利用BP人工神经网络方法建立了土壤水分预测模型,该模型的预报精度较高,其最大绝对误差为3.12 %,最小绝对误差为0.63 %,平均绝对误差为1.38 %.预测结果表明应用BP神经网络建立的土壤水分数学模型适用于土壤水分的预测,能够比较准确的预测土壤水分,具有较好的预测精度.
【总页数】4页(P14-16,35)
【作者】田芳明;周志胜;黄操军;孙红江
【作者单位】黑龙江八一农垦大学信息技术学院,大庆,163319;黑龙江八一农垦大学信息技术学院,大庆,163319;黑龙江八一农垦大学信息技术学院,大庆,163319;黑龙江省红星农场,北安,164022
【正文语种】中文
【中图分类】S152.7
【相关文献】
1.组合预测方法及其土壤水分预测中的应用 [J], 徐梅;刘振忠
2.BP神经网络预测模型在预测吨煤单耗中的应用 [J], 李忠飞;
3.GM(1,1)与BP神经网络组合预测模型在田径成绩预测中的应用 [J], 郭维民
4.GM（1，1）与BP神经网络组合预测模型在田径成绩预测中的应用 [J], 郭维民;
5.灰色预测和BP神经网络组合预测模型在血液采集和临床供应中的应用 [J], 陈婷;肖明星;周筠
因版权原因，仅展示原文概要，查看原文内容请购买。
公园、绿地、道路浇洒需水预测计算规范园林系数法计算园林植物需水量园林植物需水量（腾发量）速率可由园林系数法公式计算得出。
方法是通过应用一个园林系数KL对ET。
进行调整来计算园林植物需水量PWRPWR ETo KL式中：PWR为园林植物需水量，mm/d；ET。
为参考作物腾发量，mm/d；KL为园林系数。
园林系数影响因素及其计算方法类似于作物系数，园林系数是特别派生出来用于根据参考作物腾发量来估算绿化植物水分消耗的系数。
不同于作物或者草坪，园林植物很典型的由一种以上的植物种类组成。
多种绿化植物种类集中在一起，且通常在一个灌水小区进行灌溉，而在同一灌水小区的不同的植物种类其水分需求可能差别较大。
例如一个小区可能由八仙花、杜鹃花、刺柏、夹竹桃以及檄榄树组成。
这些种类通常被认为具有完全不同的水分需求，为一种植物选取的作物系数可能不适合于其他种类。
适用于园林绿化植物的园林系数需要包含进在很多种植模式中出现的植物种类的混合种植的考虑。
相比作物，园林绿化中植物密度变化相当大。
许多植物可能比其他植物多数倍的叶片面积。
例如，具有树木、灌木以及地被植物的园林很紧凑的组合进一个小区域，通常具有更大的叶面面积，更多的叶片面积很典型的意味着植物腾发量的增加。
园林系数因子考虑绿化植物种植密度上的这种变化。
此外，许多园林系统可能包含一系列的小气候条件，从凉爽、荫凉、受保护区域到炎热、阳光充足、多风区域。
这些小气候的变化会显著影响植物水分损耗。
在华盛顿西雅图的实验发现铺装区域种植的植物比在公园环境里种植的相同种类的植物多消耗50%的水量。
在加利福尼亚进行的其他研究也发现在遮阴处种植的植物会比大田条件下的同类植物少消耗50%的水量。
由小气候引起的水分消耗的变化也需要设置个系数因子加以考虑。
在这些因素共同影响下，园林绿化植物需水与农业作物和草坪十分不同，并且在进行园林绿化植物水分需求估算时都需要加以考虑。
园林系数就是为考虑这些不同而提出的。
２０２３年４月水 利 学 报ＳＨＵＩＬＩ ＸＵＥＢＡＯ第５４卷 第４期文章编号：０５５９－９３５０（２０２３）０４－０４９７－１０收稿日期：２０２２－０９－１３；网络首发日期：２０２３－０３－３１网络首发地址：ｈｔｔｐｓ：??ｋｎｓ．ｃｎｋｉ．ｎｅｔ?ｋｃｍｓ?ｄｅｔａｉｌ?１１．１８８２．ＴＶ．２０２３０３３１．１５１９．００１．ｈｔｍｌ基金项目：国家自然科学基金项目（Ｕ２２４３２２３，５１７３９００３）作者简介：王瑞婕（１９９８－），硕士生，主要从事水工结构安全监控研究。
Ｅ－ｍａｉｌ：ｗａｎｇｒｊ＠ｈｈｕ．ｅｄｕ．ｃｎ通讯作者：包腾飞（１９７４－），博士，教授，主要从事水工结构及岩土工程的安全监控、光纤传感器在结构健康监测中的应用研究。
Ｅ－ｍａｉｌ：ｂａｏｔｆ＠ｈｈｕ．ｅｄｕ．ｃｎ基于多因子融合和Ｓｔａｃｋｉｎｇ集成学习的大坝变形组合预测模型王瑞婕１，包腾飞１，２，３，李扬涛１，宋宝钢１，向镇洋１（１．河海大学水利水电学院，江苏南京 ２１００９８；２．河海大学水文水资源与水利工程科学国家重点实验室，江苏南京 ２１００９８；３．三峡大学水利与环境学院，湖北宜昌 ４４３００２）摘要：变形是反映大坝服役形态变化的直观表征，构建高效准确的变形预测模型对于大坝结构安全控制十分重要。
传统单因子及单算法变形预测模型存在泛化能力不足、鲁棒性差等问题，易出现预测偏差甚至误判。
针对这一问题，本文选取不同变形解释因子及回归算法，构建多种单因子单算法预测模型，结合Ｓｔａｃｋｉｎｇ集成学习思想，对上述模型进行组合，提出了大坝变形组合预测模型。
该组合模型以Ｓｔａｃｋｉｎｇ集成学习为核心，采用高斯过程回归作为元学习器，从算法、因子两方面对单因子单算法预测模型进行集成，并通过ｋ折交叉验证减小模型过拟合风险。
以某混凝土拱坝变形监测数据为例，通过多模型构建与性能比较，对所提出模型的准确性与有效性进行评估。
结果表明：单因子单算法预测模型具备准确性和多样性的特征；通过算法、因子集成，组合模型的预测精度和鲁棒性得到了显著提高，在水位波动期的预测能力得到了有效增强。
基于风力发电的风功率预测综述随着风力发电的快速发展，风电的穿透功率不断增加，随之带来的系统安全性和电能质量问题也日益凸显。
可靠的风功率预测可以有效地提高电力系统的运行稳定性，改善电能质量。
本文综述了当前各种风功率预测的方法包括物理方法、统计方法、学习方法等以及他们各自的适用场合，并展望了未来风功率预测的发展方向。
标签：风功率预测；预测方法；发展方向前言由于风能是清洁、安全的可再生能源，风力发电在全世界已经进入大规模发展阶段。
但由于风电的间歇性和随机性等缺点，随着风电装机容量的逐年增加，风电场穿透功率不断加大，无疑会对电力系统的电能质量造成一定的影响，尤其是大规模风电入网对系统的电能质量，诸如线路的潮流、无功补偿电压和频率带来很多不利影响[1]，并且影响系统旋转备用容量的大小，从而限制了风电的进一步发展。
有效的风功率预测方法可以方便调度进行合理的用电安排，提高系统运行的可靠性，一定程度上可以改善风电并网后的系统运行。
1风电场功率预测分类按照不同的分类标准，风电场功率预测方法分类方式不同。
1.1按预测时间尺度分类风电场功率的预测，按时间分为长期预测、中期预测、短期预测和特短期预测。
（1）长期预测：以“年”为单位，主要应用于风电场设计的可行性研究，可预测风电场建成之后每年的发电量。
这种方法主要是根据气象站提前20年或30年的长期观测资料和风电场测风塔至少一年的测风数据，经过统计分析，再结合风机的功率曲线来预测风电场每年的发电量。
（2）中期预测：以“天”为预测单位。
中期预测主要是提前一周对每天得功率进行预测，主要用于安排检修。
一般是利用数值天气预报系统的数据进行预测。
主要用于安排检修或调试。
（3）短期预测：以“小时”为预测单位。
一般是提前1-48小时对功率进行预测，目的是便于电网合理调度，保证供电质量。
一般是基于数值天气预报模型和历史数据进行预测。
1.2按预测模型对象分类按照预测对象的不同，一般可以分為基于风速的预测和基于功率的预测。
科技成果——大数据驱动多过程耦合的流域水
情预报关键技术
对应需求流域长期水量预测预警技术
成果简介
该成果以坡面—沟道为基本单元，构建产汇流、产沙输沙等动力学模型，结合基于物理机理的流域分布式水文模型，通过多源降水数据融合和数值天气预报，实现逐月、旬滚动预报，提高中长期预报的精度和实用性适用于中长期水情预报与水电计划制定、短期预报和调度等领域。
技术特点
该成果构建了水利大数据、高精度河网、数字流域模型、水电优化调度的理论体系和多时间尺度、多业务环节的成套技术，研发了大数据驱动的中长期水情预报-发电量预测平台和高精度河网-数字流域模型-短期径流预报系统，支持短期优化调度和洪水预警。
1、基于最小代价搜索算法的高精度河网的提取与编码方法，实现了面向流域尺度径流模拟的大规模流域河网的高效和可靠提取；
2、以坡面-沟道为基本单元，研发了产汇流、产沙输沙等动力学模型，构建了基于物理机理的流域分布式水文模型。
技术水平
发明专利3项，软件著作权2项，青海省科学技术科学进步奖一等奖1项。
应用情况
该成果在凉山州应用，集合海温遥相关模型、时间序列周期分析模型、滑动平均自回归模型、最近邻抽样回归模型，利用海表温度距平和历史径流数据，建立了数据驱动的中长期径流预报模型和组合模型，为发电计划的制定提供了科学依据；在黄河上游梯级水库中长期水情预报系统中应用，为国网青海公司交易中心提供未来1年逐月滚动的入库流量及发电量预估。
已在国网青海电力预测和调度、白水江和安宁河流域水情预报与调度中得到应用，建立了数据驱动的中长期径流预报模型和组合模型，发掘了大桥水库的发电潜力，为发电计划的制定提供了科学依据。
水库水文变化趋势预测算法研究一、引言水库是人工修建的大型水利工程，具有调节水量、灌溉、发电等重要作用。
而水文数据对水库管理和运行至关重要，它反映着水库的水位、流量等水文特征。
为了更好地管理水库，预测水位变化趋势，需要开发高效可靠的水文变化趋势预测算法。
本文针对此进行探讨。
二、水文变化趋势预测算法概述1.水文趋势预测的概念水文趋势预测是指通过对历史水文数据进行分析和处理，得到一系列预测模型来预测未来水文变化的趋势。
水文趋势预测不仅有利于防范水灾、利用水资源，还有助于合理规划水库的管理和运行。
2.水文趋势预测的方法（1）时间序列分析法利用时间序列分析法可以将时间作为独立变量，来分析影响水文时间序列的因素。
时间序列预测模型通常包括自回归（AR）、移动平均（MA）等几种模型。
（2）灰色系统分析法灰色系统分析发源于中国，它适用于数据量较少、难以建立标准预测模型的情况。
灰色系统分析法主要包括GM（1，1）、GM （1，N）等模型。
（3）神经网络模型借助高度并行、自适应、非线性映射等特点，神经网络模型能够表达各种复杂的关系。
水文趋势预测中常用的神经网络模型有BP网络、RBF网络等。
（4）回归模型回归模型基于统计学方法，建立水文变量之间的函数关系。
回归模型常用的有一元线性回归分析、多元线性回归分析等。
三、水文趋势预测算法的应用1.建立合理的预测模型在开展预测之前，需要根据实际情况和预测需求，选择合适的预测模型。
对于已知预测需求的情况，应选择能够满足需求的模型，对于未知需求的情况，则应使用多种模型进行对比分析，选择最佳的模型。
2.收集水文数据，并进行预处理在预测之前，需要准备足够的水文数据。
在水文数据的采集和处理过程中，需要特别注意数据的质量和准确性。
3.建立预测模型根据选择的预测模型，使用数据进行模型训练，并调整模型参数。
通常需要利用部分数据进行训练，再使用另一部分数据进行验证，以确保模型的准确性。
4.执行预测一旦建立了预测模型，就可以开始对未来的水文变量进行预测了。
地下水位预测模型的研究与应用近年来，随着城市化进程的加快和人口数量的增加，地下水资源遭受了空前的压力。
而地下水位预测模型，则是一种基于数据、模拟和分析的技术手段，能够准确、快速地预测地下水位的变化，为地下水管理和保护提供了强有力的支撑。
本文将深入研究地下水位预测模型的类型、算法、应用场景，并介绍如何搭建一套可行的地下水位预测系统。
1. 地下水位预测模型类型地下水位预测模型可分为统计模型、物理模型和混合模型三类，各模型的优缺点和适用场景不同。
统计模型是基于大量的历史数据进行统计建模，例如经典的ARIMA模型等，其优点在于建模简单、计算方便，适用于数据较为规律的场景。
物理模型则是对地下水系统运动学、动力学、热力学、物理化学等方面建模，例如数值模型等，其优点在于对地下水运动机理的解析更为准确，适用于需要对地下水运动进行较为精确描述的地质工程和水文地质领域。
混合模型则试图将统计模型和物理模型有机结合，即考虑地下水系统的物理机理和历史变化规律，例如基于神经网络的模型等，其优点在于比统计模型更准确，比物理模型更简单。
2. 地下水位预测模型算法常见的地下水位预测算法包括AR(p)模型、ARIMA模型、SVR模型、BP神经网络模型等。
其中，AR(p)模型是一种自回归模型，将当前时刻地下水位作为前p个时刻地下水位的线性组合，其中p为自回归项数；ARIMA模型则是在AR(p)模型的基础上引入差分，即将原数据序列差分成一个平稳时间序列，再对差分后的序列进行建模；SVR模型和BP神经网络模型则是一些非线性模型，能够更准确地反映地下水位变化的非线性特征。
3. 地下水位预测模型应用地下水位预测模型在城市水资源管理、地质工程、地下水环境保护等方面都有广泛的应用。
以城市水资源管理为例，地下水位预测模型能够提供城市地区水资源利用和管理的重要依据。
通过对地下水位数据进行建模和预测，可以预测未来地下水位的波动规律，并在此基础上进行水资源合理配置。
用水量预测方法综述我国城市化正以罕见的速度进行, 到2000年底, 全国城市化水平已由1980年的19. 4%迅速增长到36. 2%; 预计到2020年城市化水平可达到50%左右。
由于人口持续增长、经济高速发展、生活水平不断提高, 城市的工业和生活用水需求量大幅度增长, 使城市水资源供需矛盾加剧, 解决城市缺水问题是目前城市化建设面临的挑战。
在进行城市水资源规划时, 城市用水量预测是其重要基础内容之一, 城市用水量预测结果直接影响到给水系统调度决策的可靠性和实用性,也直接关系到城市水资源的可持续利用和社会经济的可持续发展。
给水管网用水量预测是进行给水系统优化调度的前期上作, 根据城市发展规划要求, 对给水管网系统的用水量进行分析、研究, 选择合适的用水量预测方法, 建立切实的用水量预测模型, 是进行给水系统优化调度的基础和前提, 它不仅为决策提供必要的信息, 在一定程度上讲, 它的准确度将直接影响给水系统优化调度的合理性和有限投资的效益。
城市用水量预测在城市建设规划、输配水系统的优化调度中具有重要的作用。
它的准确程度直接影响到供水系统调度决策的可靠性及适用性。
城市给水系统时用水量预测是依据过去时段的城市供水量数据来推测下一个时段的城市需水量数据。
通过对原始数据处理和用水量模型建立，发现、掌握城市给水系统时用水量变化规律，对下一个时段的城市总需水量做出科学的定量预测。
建立的模型要根据历史数据的变化进行修正，使模型始终处于最优状态。
城市用水量预测方法按照预测周期可分为: 短期预测和中长期预测; 按照预测原理可分为: 趋势外推法和因果型预测法; 按照对数据的处理方式不同有: 时间序列分析法、灰色预测法、解释性预测方法和用水定额法等。
本文主要讨论短期用水量预测和中长期用水量预测。
中长期用水量预测主要用于水资源规划和城市的整体设计规划，它的预测依据是城市经济发展和人口增长速度的规律;短期预测是根据时用水量历史记录、日用水量历史记录或每周用水量历史记录数据及影响用水量的因素, 对未来一小时、一天或几周的用水量进行预测, 又称为时预测、日预测和周预测。
第44卷第5期2011年10月武汉大学学报(工学版)Eng ineering Jo ur nal of W uhan U niver sity V ol.44N o.5Oct.2011收稿日期:2010-04-07作者简介:吕孙云(1978-),男,博士研究生,主要从事现代水资源规划管理方面的研究,E -mail:Lv sy@cjh.co .基金项目:国家自然科学基金重点项目(编号:50839005).文章编号:1671-8844(2011)05-0565-06组合预测方法在需水预测中的应用吕孙云1,2,许银山1,熊莹2,梅亚东1(1.武汉大学水资源与水电工程科学国家重点实验室,湖北武汉 430072;2.长江水利委员会水文局,湖北武汉 430010)摘要:社会经济和气候因素对水资源需求的影响一直是国内外重点关注的研究领域,以东莞市为研究对象,将需水量影响因子划分为气候因子、经济因子和社会因子,选取不同的影响因子建立需水预测模型,分析各类因子与需水量之间的响应关系.在此基础上选取最合适的影响因子,应用多种方法建立预测模型,采用最小方差组合预测技术对不同预测模型的结果进行集成.研究结果揭示了东莞市需水量变化的情景和成因,预测了东莞市需水量变化趋势,并为东莞市水资源需求预测管理提供理论基础.关键词:城市需水量;最小二乘组合预测;人工神经网络;支持向量机中图分类号:T V 213.4 文献标志码:ACombined forecasting method for forecasting water demandLU Sunyun 1,2,XU Yinshan 1,XIONG Ying,M EI Yadong 1(1.State Key L abo rato ry o f Water Resources and H ydropow er Engineer ing Science,Wuhan U niv ersity ,W uhan 430072,China; 2.Hy drolog y Bur eau,Changjiang W ater R eso ur ces Commissio n,Wuhan 430010,China)Abstract:T he influence o f climatic and so cioeco nom ic factor s on w ater consumptio n has alw ays been kept an important issue by glo bal research institute.Taking Dongguan city as study o bject,the influence factors of w ater requirement are div ided into climate facto rs,social facto rs and econo mical factors,and analy zing response relatio nship betw een various influence factors and water dem and.A w ater demand fo recasting model is established by selecting the mo st suitable influence factors and applying different w ater demand fo recast m ethods;least squares combination fo recasting techno logy is adopted to integrate the r esults of different fo recasting m odels.Study proclaim s that the circum stances and reasons of w ater dem and chang es of Do ng guan city,reveals the v ar iation tendency o f w ater demand,and provides a theoretical foundation fo r Do ng guan City w ater resources management.Key words:ur ban w ater demand;least squar es co mbinatio n for ecasting ;artificial neur al netw ork;support vector machines需水预测是水资源配置和管理的基础,因此需水量和社会、经济、气候因子之间关系的量化问题亟待解决,但是国内外很少研究有关注气候变化背景下经济、社会快速发展给需水量带来的影响.Fred -erick 等[1]分析了气候变化及经济增长对未来水资源供需平衡的影响及其适应对策.Ruth 等[2]为了在城市规模上量化气候变化和其他社会经济变化对需水的影响,调查了新西兰汉密尔顿在一定气候和人口预测规模下的用水量和基础设施需求.Jeffrey 等[3]提出了在现有及未来气候变化条件下,确定满足城市需水的方法,并详细考虑了气候强迫和需水预测的不确定性.建立预测模型受到2个方面的限制:1)不可能将所有在未来起作用的因素全部包含在模型内.2)很难确定众多参数之间的精确关系.武汉大学学报(工学版)第44卷因此并不是模型建立得越复杂,预测精度越高.另外,从信息的利用方面来说,任何一种单一预测方法都只利用了部分有用信息,同时也抛开了其他有用的信息,而不同的预测方法往往能利用不同的有用信息.为保证预测的准确性和可靠性,将不同的预测方法进行适当地组合,综合利用各种预测方法所提供的信息,从而达到改善预测效果的目的.本文选取目前在需水预测领域应用较为广泛的BP人工神经网络、径向基(RBF)人工神经网络和最小二乘支持向量回归机(least squares suppo rt v ecto r reg res-sion,LSSVR)模型,以东莞市为研究对象,首先将需水量影响因子划分为气候因子、经济因子和社会因子,选取不同的影响因子建立需水预测模型,分析各类因子与需水量之间的响应关系.然后检验各模型的合理性和有效性,并在此基础上选取最合适的影响因子,应用多种方法建立预测模型,采用最小方差组合预测技术对不同预测模型的结果进行集成.研究结果揭示了东莞市需水量变化的情景和成因,预测了东莞市需水量变化趋势,并为东莞市水资源需求侧管理提供理论基础.1预测方法分析人工神经网络预测法是一种模仿大脑机制的信息分析处理技术,适用于短期预测和动态预报短期负荷值以及动态训练系统,在需水预测领域有着广泛的应用.2008年Adam ow ski JF[4]比较了多元线性回归、时间序列分析和人工神经网络模型在日峰值用水量预测中的性能,结果表明人工神经网络能够得到较好的预测结果.Firat M等[5]于2009年评价了广义回归神经网络(GRNN)、前馈神经网络(FFNN)和径向基神经网络(RFNN)3种模型在需水预测中的应用,并将这3种方法的性能与多元线性回归进行比较,最终得到GRNN模型预测性能最好.W ang YM等[6]在2008应用自适应RBF神经网络模型对黄河流域需水进行预测,验证了该方法的性能和可行性.Bardossy G[7]2009年建立了一种模糊神经网络城市需水预测模型,通过BP算法和最小二乘法训练模糊规则,用遗传算法优化模型,与传统的统计算法相比,精度有所提高.支持向量机采用结构风险最小化准则求解二次型寻优问题;与人工神经网络相比,它具有类似的学习机制、拓扑结构,但其结构更简单,而且泛化能力明显提高.因此支持向量机以其强大的功能和优越的性能,同人工神经网络一样,在需水预测及水资源规划管理领域得到了广泛的应用.刘俊萍等[8]在2008年以江西省11a用水为例建立基于支持向量机理论的非线性需水预测模型,结果表明,在样本数据较小时,支持向量机模型具有较高的预测精度和较强的泛化性能.2009年,Chen[9]建立了遗传-支持向量机(GA-SVM)模型,采用遗传算法优化支持向量机参数,结果表明,支持向量机不仅需求基础数据少,而且能得到较高的精度.ZH ANG等[10]2008年建立了遗传算法-支持向量回归机(GA-SVRM)模型,对生态需水进行了预测,与传统的需水预测模型相比,该模型具有更高的精度和适应性.综上所述神经网络和支持向量机模型在应用于需水预测和水资源规划管理领域时,能根据较小的样本序列得到精确的预测值和稳定的预测结果,同时能与其他仿生学算法相结合,对模型本身加以改进,加快收敛速度,提高预测精度.2预测模型精度评定设q1,q2,,,q n为实际用水量系列,{q b1,q b2, ,,q b n}为预测需水量序列,n为序列长度,则:1)平均绝对百分误差MA PE=1nE ni=1100#q i-q b iq i(1)i=0,1,,,n2)后验差检验后验差检验是根据模型预测值与实际值之间的统计情况,进行检验的方法,只是从概率预测方法中移植过来的.其基本思想是:以残差(绝对误差)为基础,根据各时段残差绝对值的大小,考察残差较小的点出现的概率,以及预测误差方差有关指标的大小.具体步骤如下:1)求历史用水序列的平均值q=1nE ni=1q i,i=1,2,,,n(2)2)求绝对误差(残差)平均值E=1nE ni=1E i=1nE ni=1q i-q b i(3)i=0,1,,,n3)求历史数据方差S21=1nE ni=1q i- q2,i=0,1,,,n(4)4)求残差方差S22=1nE ni=1E i-E2,i=0,1,,,n(5)5)经上面的准备计算可得后验差检验的2个重要数据,即后验差比值C,小误差概率P.566第5期吕孙云,等:组合预测方法在需水预测中的应用C=S2S1,P=P E i-E<0.6745S1(6) i=1,2,,,n式中:常数0.6745数理统计中的假设检验得到[11].按M APE、C与P3个指标,可以综合评定预测模型的精度,如表1所示.表1综合评定预测模型的小概率误差(P)和后验差比值(C)预测精度等级M A P E P C 好(一级)<10P\0.95C[0.35合格(二级)10-200.8[P<0.950.35<C[0.5勉强(三级)20-500.7[P<0.80.5<C[0.65不合格(四级)>50P<0.7C>0.653组合预测方法组合预测一直受到国内外预测界的广泛重视,在许多预测中,为了提高预测精度、减少预测风险,常采用组合预测.常用的组合预测法有等权平均组合预测法、最小方差组合预测法和时变权最小方差组合预测法,在本文中采用最小方差组合预测法.最小方差组合预测是根据各个成员预测方法的拟合误差的方差最小决定加权系数,对拟合误差方差较小的成员预测方法赋予较大的权重.设q t(t=1,2,,, n)为实际用水量系列,q b i,t(t=1,2,,,n;i=1,2,,, m)为第i种预测方法t时段的预测值,e i,t(t=1,2, ,,n;i=1,2,,,m)为第i种预测方法t时段的预测误差,k i i=1,2,,m为第i种预测方法的权重, Q t t=1,2,,,n为组合预测方法的预测值,E t t=1,2,,,n为组合预测方法的预测误差,n为时段长度,m为预测方法种数.其中:e i,t=q t-q b i,t(8)Q t=E m i=1k i q b i,t(9)E t=q t-Q t=E m i=1k i e i,t=k1,k2,,,k m e1,t,e2,t,,,e m,t T(10)最小方差组合预测模型:目标函数m in J=E n t=1E2t(11)约束条件E m i=1k i=1,k i\0,1[i[m(12) 4东莞市年需水量预测4.1社会经济指标及气候因子随着东莞市产业经济结构的不断优化调整,工业化程度不断提高,对水资源的需求不断增加,同时受水环境恶化及咸水线上溯影响,沿海片、水乡片水质性缺水更为严重,已对21世纪东莞市社会经济的可持续发展构成了严峻挑战,必须对水资源进行合理的规划和配置.在本文的研究过程中,将东莞市需水量影响因子分为3类,即社会因子、经济因子和气候因子,结合东莞市的产业结构以及中国气象观测站的实际情况与资料,选取东莞市年末总人口、GDP、农业总产值、工业总产值、三产增加值、年平均气温、年降雨量、降雨量大于0.1m m的天数和日照时数共9项指标作为东莞市年需水量的影响因子(其中气象数据为广州站的观测值;1980-2000年的社会因子、经济因子和需水量参照文献[12],2001-2007年的值来源于东莞市水资源公报和社会经济公报).并将年末总人口归为社会因子;将GDP、农业总产值、工业总产值、三产增加值归为经济因子;将年平均气温、年降雨量、降雨量大于0.1mm的天数和日照时数归为气候因子.4.2需水量影响因子识别以1981-2002年的资料对模型进行率定,用2003-2007年的资料对模型进行验证,分别根据不同类别的影响因子建立BP神经网络、RBF神经网络和LSSVR需水预测模型(各模型编号和所选取的影响因子见表2).BP神经网络、RBF神经网络和LSSVR各模型输出值相对误差见图1-3;率定期的精度检验指标值见表3.表2模型编号模型1234567影响因子经济因子社会因子气候因子经济因子社会因子社会因子气候因子经济因子气候因子全部影响因子分析表3中的数据,在率定期,BP、RBF、LSS-VR包含经济因子的模型1、4、6、7均属于高精度的预测,而仅包含气象因子的模型3不能满足预测精度要求;BP、LSSVR的模型2预测精度低于模型1,而RBF的模型1和模型2的预测精度相差不大,说明仅包含经济因子的模型1的预测精度要高于仅包含社会因子的模型2;对于3种预测方法的所有模型来说,均为包括全部影响因子的模型7的预测精567武汉大学学报(工学版)第44卷图1 BP 神经网络各模型相对误差趋势图图2 RBF 神经网络各模型相对误差趋势图图3 LSSVR 各模型相对误差趋势图表3 模型率定期精度评价指标指标模型1234567BPM A P E4.13816.45519.740 4.019 6.106 4.211 3.477P 10068.1859.09100100100100C 0.1720.6450.8030.1640.2410.1720.131RBFM A P E4.721 4.87313.749 4.121 3.743 3.386 2.740P 10010059.09100100100100C 0.1820.1760.5290.1710.1590.1690.142L SSV RM A P E 3.815 6.81018.534 3.412 5.770 3.459 3.045P 10010059.09100100100100C0.1510.2490.7540.1360.2240.1340.122度最高.图1-3的结果显示,在率定期模型3的相对误差最大,模型7的相对误差最小,且BP 、LSSVR 包含经济因子的模型相对误差要远小于不包含经济因子的模型,而RBF 包含经济因子和包含社会因子的预测模型相对误差差别不大;BP 和RBF 仅模型7的相对误差能控制在10%以内;而LSSVR 包含经济因子的模型相对误差均小于10%,远小于不包含经济因子的模型.综上所述对于东莞市年需水量来说,经济因子是最主要的驱动因子,其次为社会因子,而气象因子随机波动较大,不能单独作为模型驱动因子进行预测,但在模型中纳入气象因子能够提高抗随机因素干扰的能力.4.3 年需水量组合预测将经济因子、社会因子和气象因子全部纳入到568第5期吕孙云,等:组合预测方法在需水预测中的应用预测模型中,建立BP、RBF和LSSVR需水预测模型,以1981-2002年为率定期,并用2003-2007年的数据对模型进行验证.采用自适应遗传算法(AGA)求解最小方差组合预测模型,得到3种预测模型的权重,BP为0.003、RBF为0.405、LSSVR为0.592.各预测方法的结果和相对误差见表4,率定期精度检验指标见表5.分析表4中的数据,BP、RBF、LSSVR及组合预测模型在率定期的平均绝对相对误差分别为3.48%、2.74%、3.05%和2.33%,而在验证期的平均绝对相对误差分别为5.18%、4.45%、2.06%和2.43%,可见在模型率定期组合预测方法相对于单个模型来说误差较小,在率定期组合预测较LSSVR 模型的平均绝对预测误差稍大,但远小于其他2个模型;率定期误差最大年份除RBF模型外都发生在1985年,且BP和LSSVR模型的相对误差超过了10%,发生这种情况的的原因是在1984-1986年需水量波动较大,而各项需水影响因子变化趋势没有发生明显的改变;组合预测模型在验证期的最大绝对相对误差为3.87%,要远小于单个模型的预测结果,而且RBF模型在验证期的相对误差均为正,且随着预测周期的延长而增大,说明误差会随着预测的延长而累积,而组合预测模型的结果在实测值上下模型,误差没有明显的累积趋势.与表4中的结果一样,图4显示,组合预测方法的相对误差变化幅度要小于单独预测方法,即组合预测模型相对误差峰表4模型需水预测结果年份实际需水量/亿m3BP神经网络RBF神经网络LSSV R组合预测预测值/亿m3相对误差/%预测值/亿m3相对误差/%预测值/亿m3相对误差/%预测值/亿m3相对误差/%率定期19818.3467.7547.098.3380.107.810 6.428.024 3.86 19828.1657.754 5.038.318-1.877.5757.237.876 3.53 19837.9467.761 2.338.104-1.997.811 1.707.9300.21 19848.0287.684 4.297.9890.497.700 4.097.817 2.63 19857.0528.072-14.467.312-3.697.906-12.117.666-8.71 19868.3148.393-0.958.2860.348.406-1.118.357-0.52 19878.6219.012-4.548.884-3.059.125-5.859.027-4.71 19888.9529.298-3.878.2787.539.346-4.408.9130.43 19899.2539.584-3.589.368-1.249.683-4.659.555-3.27 19909.7429.955-2.199.743-0.019.853-1.149.809-0.69 199110.37410.068 2.9510.2940.7710.2760.9410.2830.88 199210.68510.492 1.8110.153 4.9810.6400.4210.442 2.27 199311.25511.041 1.9011.2510.0411.265-0.0911.259-0.03 199411.59611.022 4.9511.337 2.2311.159 3.7711.231 3.15 199512.14412.970-6.8012.763-5.1012.828-5.6312.802-5.42 199613.85713.582 1.9814.690-6.0113.710 1.0614.107-1.80 199714.73614.509 1.5415.181-3.0214.470 1.8114.758-0.15 199814.96215.165-1.3615.782-5.4814.967-0.0315.298-2.24 199915.15715.329-1.1315.1290.1815.1250.2115.1270.20 200016.29815.851 2.7415.476 5.0415.707 3.6315.614 4.20 200116.56816.690-0.7416.095 2.8516.653-0.5116.4270.85 200216.79116.7460.2716.075 4.2616.826-0.2116.522 1.60验证期200317.45216.953 2.8617.139 1.7917.477-0.1417.3390.65 200418.46317.489 5.2818.057 2.2018.158 1.6518.115 1.88 200520.48120.276 1.0019.766 3.4921.763-6.2620.950-2.29 200621.65019.8228.4420.1197.0721.292 1.6520.813 3.87 200722.67020.7868.3120.9257.7022.5330.6021.877 3.50表5各方法率定期精度评价指标BP神经网络RBF神经网络LSSV R组合预测M A P E 3.48 2.74 3.05 2.33 P100100100100C0.1310.1420.1220.101569武汉大学学报(工学版)第44卷图4 各预测模型相对误差变化趋势图值较其他3种模型要小,且在验证期相对误差上下波动,没有累积趋势.表5的数据显示,组合预测方法在率定期的平均绝对相对误差和后验差比值均小于单个预测模型,组合预测3项精度评价指标均属于高精度预测.上述结果说明最小方差组合预测方法能够综合利用各单独预测模型的信息,提高预测精度.5 结语本文立足于经济、社会迅猛发展和气候剧烈变化的背景,研究城市需水量和经济因素、社会因素以及气象因素之间的响应关系,以东莞市为例,建立了BP 、RBF 神经网络模型和LSSVR 模型,采用1981-2002年的资料对模型进行率定,将2003-2007年作为验证期对模型的预测结果进行检验.研究结果表明,经济因素是东莞市年需水量最主要的驱动因子,其次为社会因子,而气象因子由于随机波动较大不能单独作为驱动因子进行年需水量预测,但在预测模型中纳入气象因子能增强模型抗随机因素干扰的能力、提高预测精度;因此本文最终将所有的影响因子均纳入3种预测模型,应用AGA 算法对最小方差组合预测模型进行求解得到各方法的权重;组合预测结果显示其精度较单独各预测模型均有一定程度的提高,且相对误差波动较3种预测模型小,验证期误差不会随预测周期的延长而累积.参考文献:[1] Frederick K D.Climate change im pacts on w ater r e -sour ces and possible responses in the M I NK reg ion [J].Climatic Change,1993,24(1-2):83.[2] R uth M ,Bernier C,Jo llands N ,et al.A daptatio n ofur ban w ater supply infr ast ruct ur e to impacts fro m cl-i mate and so cioeconomic changes:T he case of H am-i lto n,N ew Zealand [J].W ater Resources M anage -ment,2007,21(6):1031-1045.[3] O'Ha ra J K,Geo rgakakos K P.Q uantify ing the urbanw ater supply impact s of climate chang e[J].W ater Re -sources M anag ement,2008,22(10):1477-1497.[4] Adamow ski J F.Peak daily water demand fo recastmodeling using a rtificial neur al netwo rks[J].Jour nal of W ater R eso ur ces P lanning and M anag ement,2008,134(2):119-128.[5] F ir at M ,Yur dusev M A ,T ur an M E.Evaluation o far tificia l neural netw ork techniques for municipal w a -ter consumption modeling [J].Water Resources M an -agement,2009,23(4):617-632.[6] Wang Y ,Zhang J.Water demand predictio n based onREF neural netw or k[C]//Chong qing,China:Institu -te of Electr ical and Electr onics Eng ineers I nc.,2008:4514-4516.[7] Bardossy G ,Halasz G,W int er J.P rog nosis o f urbanw ater consumptio n using hybr id fuzzy alg or ithms[J].Journal of W ater Supply:Resea rch and T echno lo gy -A Q U A ,2009,58(3):203-211.[8] 刘俊萍,畅明琦.基于支持向量机的需水预测研究[J].太原理工大学学报,2008,39(3):299-302.[9] Chen X.P rediction of urban w ater demand based onG A -SV M [C]//Wuhan,China:I EEE Com puter Soc-i ety,2009:285-288.[10]Zhang L ing ling ,W ei Yanfu,W ang Zongzhi.Pr edic -tio n on Eco lo gical Water Demand Based o n Suppor t V ector M achine [C ]//I nter nat ional Conference on Comput er Science and Softw are Eng ineering ,2008:1032-1035.[11]王菊翠,曹明明,仵彦卿.预测陕西关中地区需水量的改进G M (1,1)模型[J].干旱区地理,2006,29(1):35-41.[12]张灵,陈晓宏,刘丙军,等.免疫进化算法和投影寻踪耦合的水资源需求预测[J].自然资源学报,2009,24(2):328-334.570。
