山东省人均用水量预测模型研究——基于多元线性回归和BP神经网络模型

基于人工神经网络模型的关中地区用水量的预测
杨雪菲;粟晓玲;马黎华
【期刊名称】《节水灌溉》
【年(卷),期】2009()8
【摘要】未来用水量的预测对制定区域宏观经济发展规划、水资源规划以及水资源合理配置等具有重要的指导意义,为区域经济的可持续发展提供重要保障。

在1986-2005年的用水量演变分析基础上,选取出城镇人口、灌溉面积、GDP、耕地面积、降水量和ET06个驱动力因素,建立了基于驱动力因子的用水量预测的人工神经网络BP模型,并对关中地区2006-2020年的用水量进行预测。

【总页数】3页(P4-6)
【关键词】关中地区;用水量预测;BP模型
【作者】杨雪菲;粟晓玲;马黎华
【作者单位】西北农林科技大学水利与建筑工程学院
【正文语种】中文
【中图分类】TV212.2
【相关文献】
1.山东省人均用水量预测模型研究——基于多元线性回归和BP神经网络模型 [J], 赵黎明;赵岩
2.预测城市用水量的人工神经网络模型研究 [J], 俞亭超;张土乔;毛根海;吴小刚
3.基于PCA-RBF神经网络模型的城市用水量预测 [J], 高学平;陈玲玲;刘殷竹;孙博
闻
4.山东省人均用水量预测模型研究——基于多元线性回归和BP神经网络模型 [J], 赵黎明;赵岩;
5.基于BP神经网络模型的用水量预测研究 [J], 左燕霞;徐振辞;聂建中;马香玲
因版权原因，仅展示原文概要，查看原文内容请购买。

基于多元线性回归和Bp神经网络的水资源承载力预测研究∗——以济南市为例姚慧,郑新奇(山东师范大学人口・资源与环境学院，250014，济南)摘要：水资源承载力的预测对于地区经济发展具有重要意义，利用主成分分析的方法对济南市水资源承载力变化的驱动力进行分析，人口和GDP是影响水资源承载力变化的最主要的驱动因素，通过水资源承载变化驱动因子的多元线性回归模型和人工神经网络模型，分别预测出2010年和2020年年济南市水资源的需求状况，探讨线性和非线性相结合的方法用于水资源预测。

关键词：多元线性回归、Bp神经网络、水资源承载力中图分类号: p6411.水资源承载力的研究现状“水资源承载力”是随水问题的日益突出由我国学者在80年代末提出来的。

水资源承载力是一个国家或地区持续发展过程中各种自然资源承载力的重要组成部分,且往往是水资源紧缺和贫水地区制约人类社会发展的“瓶颈”因素,它对一个国家或地区综合发展和发展规模有至关重要的影响［1］。

迄今为止，水资源承载力的定义仍然没有统一的认识。

1992年,施雅凤等学者提出,水资源承载力是指某一地区的水资源,在一定社会历史和科学技术发展阶段,在不破坏社会和生态系统的前提下,最大可承载的农业、工业、城市规模和人口的能力,是一个随着社会、经济、科学技术发展而变化的综合目标[2]。

1997年,冯尚友、刘国全对水资源承载力下了定义:水资源的承载力多指在一定区域、一定物质生活水平下,水资源能够持续供给当代人和后代人需要的规模和能力[3]。

2000年，何希吾将水资源承载力定义为一个流域、一个地区、一个国家,在不同阶段的社会经济和技术条件下,在水资源合理开发利用的前提下,当地水资源能够维系和支撑的人口、经济和环境规模总量[4]。

惠泱河认为,水资源承载力可被理解为某一区域的水资源条件在自然-人工二元模式影响下,以可以预见的技术、经济、社会发展水平及水资源的动态变化为依据,以可持续发展为原则,以维护生态环境良性循环发展为条件,经过合理优化配置,∗基金项目：山东省自然科学基金项目（编号：Y2004E04）作者简介：姚慧(1982年-)，女，在读硕士，从事土地利用、资源等研究。

基于BP神经网络的城市供水量预测
程昌杰
【期刊名称】《海河水利》
【年(卷),期】2009(000)B08
【摘要】引入了BP神经网络的计算方法，建立了非线性人工神经元网络预测模型，利用人工神经元网络学习理论和非线性离散参数的辨识理论对城市供水量进行了初步的研究。

实例预测表明，所建立的BP神经网络预测模型系统及其相应计算方法具有较高的预测精度和准确度，说明该方法对于处理类似问题是有效的。

若要提高供水趋势预测精度，必须增加有效的模型网络训练样本，同时还需要考虑社会因素对供水量的影响作用，即除了使用时间序列本身的数据外还需要使用其他信息作为模型的输入。

【总页数】3页(P58-60)
【作者】程昌杰
【作者单位】天津市水务局引滦工程管理处,天津301900
【正文语种】中文
【中图分类】TV213.4
【相关文献】
1.基于粒子群算法优化的城市供水量预测模型研究 [J], 陈攀;杜坤;周明;毛润康;雷雨晴;丁榕艺
2.基于Adaboost集成模型的城市短期供水量预测方法 [J], 高赫余; 王圣; 吴潇勇
3.基于多粒度特征和XGBoost模型的城市日供水量预测 [J], 贺波; 马静; 高赫余
4.基于粒子群算法优化的城市供水量预测模型研究 [J], 陈攀[1];杜坤[1];周明[1];毛润康[1];雷雨晴[1];丁榕艺[1]
5.基于一种加权组合模型的城市供水量预测 [J], 易畅[1]
因版权原因，仅展示原文概要，查看原文内容请购买。

线性回归与BP神经网络方法的山东粮食产量预测比较研究高亮亮;潘彩霞;屠星月
【期刊名称】《安徽农业科学》
【年(卷),期】2014(000)030
【摘要】山东省是我国传统农业大省,粮食产量对我国粮食总产量的影响较大,因此对山东省粮食产量进行预测具有重大意义.分别利用多元线性回归方法和BP神经网络两种预测方法对山东粮食产量进行预测,并对两种方法的预测结果进行分析比较,实验证明,BP神经网络平均预测精度高于多元线性回归模型,且各期预测精度较多元线性回归模型更稳定,但随时间推移,误差增大,因此BP神经网络预测模型较适用于近期粮食产量预测.
【总页数】4页(P10780-10783)
【作者】高亮亮;潘彩霞;屠星月
【作者单位】农业部农业信息获取技术重点实验室,北京100083;山东农业大学信息学院,山东泰安271018;农业部农业信息获取技术重点实验室,北京100083;中国农业大学信息与电气工程学院,北京100083;农业部农业信息获取技术重点实验室,北京100083;中国农业大学信息与电气工程学院,北京100083
【正文语种】中文
【中图分类】S126
【相关文献】
1.GM(1,N)灰色系统与BP神经网络方法的粮食产量预测比较研究 [J], 苏博;刘鲁;杨方廷
2.基于多元线性回归的粮食产量预测 [J], 田秀芹
3.云南省粮食产量预测——基于多元线性回归分析 [J], 张晓玲;饶志坚
4.灰色预测方法在山东省粮食总产量预测中的应用 [J], 谢恒星;张振华;谭春英
5.晋城市粮食产量预测方法比较研究 [J], 和文超;师学义;景明;孙静静;刘伟玮
因版权原因，仅展示原文概要，查看原文内容请购买。

基于PCA-RBF神经网络模型的城市用水量预测高学平;陈玲玲;刘殷竹;孙博闻【期刊名称】《水利水电技术》【年(卷),期】2017(048)007【摘要】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.【总页数】6页(P1-6)【作者】高学平;陈玲玲;刘殷竹;孙博闻【作者单位】天津大学水利工程仿真与安全国家重点实验室,天津300072;天津大学水利工程仿真与安全国家重点实验室,天津300072;天津大学水利工程仿真与安全国家重点实验室,天津300072;天津大学水利工程仿真与安全国家重点实验室,天津300072【正文语种】中文【中图分类】TV213.4【相关文献】1.基于SPSS的PCA-RBF神经网络模型的仿真试验 [J], 黄华2.山东省人均用水量预测模型研究——基于多元线性回归和BP神经网络模型 [J], 赵黎明;赵岩3.基于PCA-RBF神经网络模型的航空备件预测方法 [J], 关子明;常文兵4.基于PCA-RBF神经网络模型的果蔬冷链物流需求预测 [J], 郭明德;李红5.灰色模型和BP神经网络模型在城市时用水量预测中的应用比较 [J], 傅春;刘娟因版权原因，仅展示原文概要，查看原文内容请购买。

多元线性回归与BP神经网络预测模型对比与运用研究一、本文概述本文旨在探讨多元线性回归模型与BP（反向传播）神经网络预测模型在数据分析与预测任务中的对比与运用。

我们将首先概述这两种模型的基本原理和特性，然后分析它们在处理不同数据集时的性能表现。

通过实例研究，我们将详细比较这两种模型在预测准确性、稳健性、模型可解释性以及计算效率等方面的优缺点。

多元线性回归模型是一种基于最小二乘法的统计模型，通过构建自变量与因变量之间的线性关系进行预测。

它假设数据之间的关系是线性的，并且误差项独立同分布。

这种模型易于理解和解释，但其预测能力受限于线性假设的合理性。

BP神经网络预测模型则是一种基于神经网络的非线性预测模型，它通过模拟人脑神经元的连接方式构建复杂的网络结构，从而能够处理非线性关系。

BP神经网络在数据拟合和预测方面具有强大的能力，但模型的结构和参数设置通常需要更多的经验和调整。

本文将通过实际数据集的应用，展示这两种模型在不同场景下的表现，并探讨如何结合它们各自的优势来提高预测精度和模型的实用性。

我们还将讨论这两种模型在实际应用中可能遇到的挑战，包括数据预处理、模型选择、超参数调整以及模型评估等问题。

通过本文的研究，我们期望为数据分析和预测领域的实践者提供有关多元线性回归和BP神经网络预测模型选择和应用的有益参考。

二、多元线性回归模型多元线性回归模型是一种经典的统计预测方法，它通过构建自变量与因变量之间的线性关系，来预测因变量的取值。

在多元线性回归模型中，自变量通常表示为多个特征，每个特征都对因变量有一定的影响。

多元线性回归模型的基本原理是，通过最小化预测值与真实值之间的误差平方和，来求解模型中的参数。

这些参数代表了各自变量对因变量的影响程度。

在求解过程中，通常使用最小二乘法进行参数估计，这种方法可以确保预测误差的平方和最小。

多元线性回归模型的优点在于其简单易懂，参数估计方法成熟稳定，且易于实现。

多元线性回归还可以提供自变量对因变量的影响方向和大小，具有一定的解释性。

运用线性回归及GM模型预测城市用水量摘要：本文通过采用多元线性回归的方法，得到相对最优的回归预测模型。

再通过利用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，从而合理预测城市用水量，达到预测精度高，结果更为合理可靠。

关键词：多元线性回归；GM（1，1）模型；预测；城市用水量城市用水量的大小关系着城市的发展。

如何比较准确地预测城市用水量，是政府在城市发展过程中必须解决的极为重要的问题。

由于影响城市用水量的因素比较多，而诸多因子间又存在着相关关系，因此，能够尽可能使它们全面反映问题的信息量。

所以，城市用水量的预测可以采用综合指标法、平均增长率法等进行经验类推可以取得较好的研究结果。

但是，在城市发展进程中，由于受到一些变化因素的影响，其市场数据存在不规则的变化，采用历史数据类推则达不到理想的效果。

本文采用多元线性回归法与GM（1，1）模型耦合进行城市用水量预测，充分利用两种模型的优点，从而达到较好的预测结果。

1 多元线性回归模型(MLR)设有组观测数据，分别为：假设这组数据满足以下关系式：（1）（2）其中，是（）个有待估计的参数，称为总体回归参数；是个相互独立的随机变量，其均值都为0，方差为，即遵从同一正态分布，这就是多元线性回归的数学模型。

2GM（1，1）模型灰色预测模型(ＧＭ)通过对原始数据进行生成处理，使其呈指数趋势变化，建立指数微分方程，最终得到预测模型。

而灰色预测主要是对原始数据的处理和灰色模型的建立、发现、掌握系统发展规律，对系统的未来状态作出科学的定量预测。

设为非负序列，为的1-AGO序列，为的紧邻均值生成序列，，则称（5）为灰色微分方程（6）的白化方程，则1.白化方程的解为（7）2. 的时间响应序列为（8）3.取，则（9）4.还原值（10）3 试验数据统计影响城市用水量的因素很多，例如人口、经济、工业、供水能力、人均日生活用水量、固定资产值等等。

基于BP神经网络的灌区耗水量模拟预测模型周志轩;王艳芳【摘要】Qingtongxia Irrigation Area water consumption is a non-linear system,which suffers many kinds of influencing factor restriction,but the agricultural water consumption is the most important component part.In view of the influencing factor of agriculture water consumption in the irrigation area,the main impact factors are the irrigation water volume,the drainage water volume,the rainfall volume,evapotranspiration and ground water table,establishes the BP neural network forecast model of agriculture irrigation water consumption in Qingtongxia eastern irrigation area.The result indicates that selection of network function and the structural design are more reasonable,the error satisfies the needs;the precision ishigh,which may apply in the forecast of water consumption in other ing this network,forecast the agriculture irrigation water consumption in Qingtongxia irrigation area in 2001-2003.The fact proves that this model suits the prediction of agriculture water consumption inthe irrigation area.%青铜峡灌区耗水量是一个复杂的非线性系统,受多种因素的影响,而农业耗水量是耗水大户.将影响灌区农业耗水量的主要因素：引水量、排水量、降雨量、蒸发量和地下水位埋深作为影响因子,建立青铜峡灌区灌溉耗水量的BP神经网络预测模型.结果表明,应用此网络,对2001-2003年灌区灌溉耗水量进行了预测,误差满足要求,精度较高,说明网络函数的选取和结构设计较为合理,该模型可用于灌区农业耗水量的预测.【期刊名称】《农业科学研究》【年(卷),期】2011(032)003【总页数】3页(P41-43)【关键词】灌区耗水量;BP网络模型;预测【作者】周志轩;王艳芳【作者单位】宁夏旱区节水灌溉与水资源调控教育部工程技术中心,宁夏银川750021;宁夏节水灌溉与水资源调控工程技术研究中心,宁夏银川750021;宁夏水利科学研究所,宁夏银川750021;宁夏旱区节水灌溉与水资源调控教育部工程技术中心,宁夏银川750021;宁夏节水灌溉与水资源调控工程技术研究中心,宁夏银川750021【正文语种】中文【中图分类】S274近年来，由于黄河来水持续偏枯，水资源短缺成为制约宁夏经济社会发展的重要因素.加之宁夏引黄灌区水循环的复杂性，在耗水量计算方面，宁夏当地水管部门和黄河流域管理机构的看法存在偏差，这给区域水资源管理和流域水资源管理带来了双重困扰［1—2］.因此，研究宁夏引黄灌区水资源消耗量对于整个黄河流域及宁夏水资源优化配置都具有十分重要的意义.灌区耗水量是指在输用水过程中，通过渠系渗漏蒸发和作物蒸腾蒸发、土壤吸收、产品带走、居民和牲畜饮用等形式的消耗，而不能回归到地表水体的水量［3—4］.在灌区水资源管理中，灌区耗水量的计算常根据河段差法、引排差法和最大蒸发量法，但灌区耗水系统是一个处在不断变化之中的受多因素影响的非线性动力系统，不同时段内的耗水量随机波动很大，传统的方法很难模拟其动态变化，且精度不能保证.本文利用神经网络强大的非线性函数逼近功能、自适应性特点，建立了基于BP神经网络方法的灌区耗水量计算模型，并运用Matlab7.0实现模型的训练、模拟与预测.1 BP神经网络1.1 BP神经网络BP神经网络是指具有非线性传递函数神经元构成的，采用误差反向传播算法的前馈网络，它通常由输入层、隐层（可能有多层）和输出层组成，层与层之间多采用全互联方式，同1层单元之间不存在相互连接，层间的连接权值通过学习来调节.BP神经网络基本处理单元的作用函数（激活函数）有多种，理论上已经证明具有阈值，至少一个S型隐含层加上一个线性输出层的BP网络，具有可逼近任意非线性连续映射的能力，适合于非线性系统的建模，是目前使用较多的一种神经网络模型.1.2 BP神经网络模型结构［5］BP神经网络是一种有“老师”的前馈运行的神经网络，包含输入层、隐含层和输出层的多层网络，上、下层之间各神经元实现全连接，即下层的每个单元都实现权联结，而每层各神经元之间无联结.当给定网络一个输入模式时，它有输入层单元经隐蔽层单元传输到输出层单元，由输出层单元处理后产生一个输出模式.如果输出与期望输出有误差，则转入返向传播，将误差值沿连接通路逐层返向传送并修正各层连接权值.当各个训练模式都满足要求时，则学习结束.在实际训练时，首先要提供一组训练样本，其中的每个训练样本有输入样本和理想输出对组成.当网络的所有实际输出与理想输出一致时，训练结束，否则，通过误差逆传播的方法来修正权值使网络的理想输出与实际输出一致.反复学习直至样本集总误差达到预先给定的精度要求为止.2 基于BP神经网络的灌区耗水量模型2.1 影响因素的确定采用相关分析的方法分析引水量、排水量、降雨量、蒸发量和地下水位埋深对灌区耗水量的影响程度.在样本量n＝13、置信水平α＝0.10时，2因素不相关的临界值是γα＝0.271 1，将耗水量与各影响因素的关系进行相关检验，得出耗水量的相关因素为引水量（Y）、排水量（P）、降雨量（J）、蒸发量（Z）、地下水埋深（D），将此作为输入变量，当年的灌区耗水量（Q）作为目标向量，则灌区耗水量模型是一个具有5维输入变量、1维输出变量的BP神经网络模型.2.2 BP神经网络模型的建立理论已经证明，3层BP网络能映射任意复杂的非线性函数关系，而且被成功应用于多个领域的预报问题中.因此选择3层BP网络，输入层选定5个节点，输出层选为1个节点.隐含层节点数采用“试错法”确定.在BP神经网络的构建当中，为了寻找更为合理的隐层单元数目，达到精度要求，分别建立了5和10个隐层，并对其进行比较和分析.采用net＝train（net，p，t）语句，对数据样本进行训练.从训练误差来看，中间层为10时，网络的收敛速度比较快，只需要5步就达到了期望的目标要求，因此，建立的BP网络模型选取5-10-1的结构.各层的神经元的个数分别为5、10、1，即输入层有5个神经元，中间层为10个神经元，输出层为1个神经元.耗水模型采用一个S型隐含层加上一个线性输出层的3层神经网络，S型函数为，线性函数为pureline（a＝n）.2.3 模型训练与检验运用5-10-1的网络结构，样本数据选自青铜峡河东灌区1984—2003年20年的资料，对网络进行训练，采用1984—1996年13年的资料对灌区耗水量进行BP神经网络模拟，用1997－1999年3年的资料对BP神经网络进行检验，然后对2000－2003年的灌区耗水量进行BP网络预测，本文采用下式对数据进行预处理.式中处理后的数据；x为待处理的数据；x min为待处理数据的最小值；x max为待处理数据的最大值.1984—1999年16年的5个影响因素的数据归一化处理后，结果如表1所示.表1 影响因素数据归一化处理引水量排水量降雨量蒸发量地下水位0.000 0 0.123 8 0.221 5 0.038 4 0.878 8 0.033 9 0.076 2 0.730 7 0.374 1 0.606 1 0.216 1 0.000 0 0.000 0 0.942 5 1.000 0 0.408 9 0.004 8 0.300 2 0.938 1 0.545 5 0.200 5 0.278 6 0.515 5 0.226 7 0.697 0 0.463 5 0.395 2 0.576 7 0.037 5 0.787 9 0.455 7 0.509 5 0.760 5 0.152 7 0.515 2 0.369 8 0.271 4 0.485 7 0.444 0 0.393 9 0.447 9 0.719 0 0.944 4 0.000 0 0.484 8 0.742 2 0.654 8 0.117 5 0.662 4 0.636 4 0.494 8 0.588 1 0.319 8 0.583 4 0.424 2 0.531 3 0.873 8 0.674 5 0.752 6 0.121 2 0.622 4 0.719 0 0.279 4 0.569 1 0.454 5 0.747 4 0.723 8 0.038 8 1.000 0 0.697 0 0.856 8 1.000 0 1.000 0 0.545 3 0.000 0 1.000 0 0.981 0 0.696 5 0.819 9 0.212 1在利用训练样本对所确定的BP神经网络结构进行训练的过程中，为防止出现“过度训练”，BP神经网络采用如下收敛准则：若满足绝对误差小于0.05的样本达到总样本的80%，则停止训练；规定最大训练次数（40 000次）.当训练达到要求后则利用检验样本对网络进行验证.该网络具有误差收敛速度快、拟合误差小、泛化能力强的优点.由选定的网络结构在MATLAB7.0中得到隐含层、输出层的连接权值及阈值.将样本的输入因子代入所建立的灌区耗水量BP网络模型进行训练模拟，得到结果如表2所示.表2 BP网络模型预测结果与常规方法误差比较注：“﹡”常规方法结果见参考文献［6］.年份常规方法﹡／108 m3 BP预测值／108 m3 BP与常规法的相对误差／%1984 7.65 7.18 －6.17 1985 7.51 8.35 11.18 1986 8.22 8.96 9.01 1987 8.51 8.83 3.72 1988 8.62 9.08 5.31 1989 8.31 8.67 4.32训练 1990 9.21 9.73 5.67 1991 9.48 8.15 －13.99 1992 9.35 8.32－11.05 1993 9.12 9.70 6.36 1994 9.42 9.69 2.87 1995 8.99 9.28 3.28 1996 9.01 8.30 －7.83 1997 8.68 9.16 5.52检验 1998 9.058.57 －5.26 1999 9.10 10.02 10.06 2000 9.24 10.26 11.03 20018.87 9.59 8.12预测 2002 9.36 9.87 5.45 2003 9.29 9.63 3.66由表2看出，本文建立的灌区耗水量BP神经网络模型，模拟预测最大误差为13.99%，75%以上的模拟预测数据与实际数据误差都维持在10%以内，精度较高，该BP神经网络模型可用于预测农业灌溉耗水量.出现个别误差稍大的原因，主要是由于在人工－天然水循环条件下耗水量本身具有较强的随机性，另外，模型参数的选择对BP神经网络模拟预测结果也有较大影响.3 结语1）针对引黄灌区人工－天然水循环条件下，灌区耗水量变化复杂的特点，将BP神经网络用于灌区耗水量模拟及预报中.输入因子选择时考虑自然－人工双重因素的影响，将不同年份灌溉期平均引水量、排水量、降雨量、蒸发量和地下水位埋深5个因素作为输入因子，以灌区各年灌溉期平均耗水量作为输出因子.2）通过网络训练，灌区耗水量的BP神经网络模型的拓扑结构确定为5-10-1，经检验精度可满足灌区耗水量预报的要求.3）模型可有效表征引黄灌区人工－天然循环条件下灌区耗水量变化与其影响因子之间的内在关系，说明灌区耗水系统是一个复杂的非线性动力系统，将BP神经网络用于灌区耗水量模拟及预报中，是对传统耗水量计算的补充，为引黄灌区耗水量预测和灌区灌溉管理的研究开辟了新的途径.【相关文献】［1］秦大庸，于福亮，裴源生.宁夏引黄灌区耗水量及水均衡模拟［J］.资源科学，2003，25（6）：19-24.［2］阮本清，张仁铎，李会安.河套灌区水平衡机制及耗水量研究［M］.北京：科学出版社，2008.［3］蔡明科，魏晓妹，栗晓玲.灌区耗水量变化对地下水均衡影响研究［J］.灌溉排水学报，2007，26（4）：16-19.［4］赵凤伟，魏晓妹，栗晓玲.灌区耗水量问题初探［J］.节水灌溉，2006，27（1）：25-27. ［5］张立明.人工神经网络的模型及其应用［M］.上海：复旦大学出版社，1993.［6］周志轩.青铜峡灌区耗水量研究［D］.宁夏大学土木与水利工程学院，2009.。

基于BP神经网络的调水工程调蓄水位预测模型高学平;闫晨丹;张岩;孙博闻【摘要】In a water diversion project,if the water level before the pump is too low,the security of the pumping station will be endan-gered;if the water level is too high,the safety of the surrounding area will be endangered.So,it is particularly important to study the change of water level in the reservoir.The paper,based on the Nansi Lake section of the eastern route of the South-to-North Water Transfer Project in Shandong Province,explores the water level variation pattern before the pump under different conditions of initial water level,inflow and outflow,and opening time difference between pumping stations.Firstly,we used the coupled model to numerically simulate different diversion plans.Then we selected 23 water diversion plans and their before-pump water level obtained from numerical simulation as samples to train the BP neural network.Thus,we established a prediction model for water level regulation and had it veri-fied.Finally we predicted the water level before the pump in different diversion plans using the model.The results showed that the BP neural network model has a strong predictive power.Its results were basically consistent with the results of the coupled model,with the relative error of water depth less than 9.15%.Meanwhile the model′s calculation efficiency improved by 96.67%.%在调水工程中,如果泵站站前水位过低,会危及泵站安全,如果水位过高,会危及周边安全,因此探寻调水工程中河渠湖库水位变化显得尤为重要.以南水北调东线山东段南四湖为研究区域,寻求不同起调水位、出入流量、泵站开启时间差的调水方案下泵前水位变化规律.先利用耦合模型对不同的调水方案进行数值模拟,然后选取23组调水方案及其数值模拟所得的泵前水位作为样本训练BP神经网络,建立BP神经网络调蓄水位预测模型并进行验证,最后利用预测模型对不同调水方案进行泵前水位预测.结果表明,BP神经网络预测模型具有很强的预测能力,预测模型结果与耦合模型结果泵前水位基本吻合,水深相对误差小于9.15%,而模型计算效率提升96.67%.【期刊名称】《南水北调与水利科技》【年(卷),期】2018(016)001【总页数】6页(P8-13)【关键词】调水方案;泵前水位;耦合模型;BP神经网络;预测模型【作者】高学平;闫晨丹;张岩;孙博闻【作者单位】天津大学水利工程仿真与安全国家重点实验室,天津300350;天津大学水利工程仿真与安全国家重点实验室,天津300350;天津大学水利工程仿真与安全国家重点实验室,天津300350;天津大学水利工程仿真与安全国家重点实验室,天津300350【正文语种】中文【中图分类】TV131.2调水工程解决了受水区水资源短缺问题，却打破了原有的水源系统平衡，形成了外来水源与水库、湖泊、河流等当地水源并存共用、相互联系、相互影响的水源格局。