基本信息
- 项目名称：
- 城市用水量的离散正交组合预测方法
- 来源：
- 第十二届“挑战杯”省赛作品
- 小类：
- 能源化工
- 大类：
- 自然科学类学术论文
- 简介：
- 当前用水量预测方法大多采用单一模型或静态组合方法，其预测精度难以保证。本文以预测精度为优化指标，建立了求解组合加权系数的用水量预测方法，分别通过GM(1,1)灰色系统和BP神经网络得到两组预测值，并对他们采用离散正交的方法进行动态组合，从而对用水量与影响因素之间关系的描述更加合理和准确，增强了预测模型的适应能力，
- 详细介绍：
- 长期以来，人们将各种预测方法应用于城市用水量的预测，例如灰色系统、人工神经网络、指数回归、线性回归等，但由于单个方法在其预测上的局限性，预测结果与实际情况出入较大。 实际上，不同的预测方法包含有独特的信息特性，也是对事物内部结构的一种探索。为了集结各单个预测方法包含的有用信息，多模型组合优化已成为一种有效手段被广泛应用，但是国内外已经建立的城市用水量组合预测方法大多是静态的组合优化，与城市用水量动态的变化规律不相符，而且预测精度也难以保证。 本文分别通过GM(1,1)灰色系统和BP神经网络得到两组预测值，并对他们采用离散正交的方法进行动态组合后得到组合预测值。该方法整合了以上两种预测方法的应用条件、建模机理等各种信息，对用水量与影响因素之间的关系进行更加合理和全面的描述，数值仿真实验的结果证明该方法具有很强的泛化能力，是一种行之有效且预测精度较高的城市用水量预测方法。为城市供水系统的调控提供了新的方法，且供水局的工作人员可根据该方法设计、操作水库等各种水基础设施，达到科学规划、管理水资源的目的。
作品图片
作品专业信息
撰写目的和基本思路
- 目的：通过建立离散正交组合方法来提高城市用水量的预测精度，为调控城市供水系统、规划和管理水资源提供新的方法。 基本思路：首先由GM(1,1)灰色系统和BP神经网络得出两组预测值，为了尽量提高预测精度，通过建立离散正交多项式将两组预测值进行动态组合，并以此得到组合预测值，将三组预测值与实际值比较后得出：离散正交组合方法是一种行之有效且预测精度较高的用水量预测方法。
科学性、先进性及独特之处
- 1.本作品采用离散正交的方法进行动态组合优化，提高了城市用水量的预测精度，为调控城市供水系统、规划和管理水资源提供了新的方法。 2.本作品整合了两种预测模型的应用条件、建模机理等有效信息，对用水量与影响因素之间关系的描述更加合理和准确，从而增强预测模型的适应能力，减少预测风险，有效地提高预测精度。
应用价值和现实意义
- 1.本方法对城市用水量的预测精度较高，供水局的工作人员可根据该方法设计、操作水库等各种水基础设施，达到科学规划、管理水资源的目的。 2.离散正交组合预测方法可应用于对大型数据的统计拟合，能解决一些庞大的数据分析、拟合、预测等问题。 3.本方法能广泛地应用于用水量预测、人口数量预测、私家车保有量预测、CPI指数预测等具有现实指导意义的问题，为人们在生产、生活中提供帮助。
学术论文摘要
- 城市用水量的预测结果对于城市规划、供水系统的管理有着重要的意义，而寻求科学合理的预测方法是保障城市用水量预测结果准确可靠的关键，当前用水量预测方法中，大多采用单一模型或静态组合方法，其预测精度难以保证。本文以预测精度为优化指标，建立了求解组合加权系数的用水量预测模型，分别通过GM(1,1)灰色系统和BP神经网络得到两组预测值，并对他们采用离散正交的方法进行动态组合后得到组合预测值。数值仿真结果证明该方法具有很强的泛化能力，是一种行之有效且预测精度较高的城市用水量预测方法。
获奖情况
- 本作品英文稿发表于由中国工业与应用数学学会体育数学专业委员会、江苏省工业与应用数学学会、国际奥林匹克(体育)计算机科学学会、国际模拟与仿真学报(英文)、国际虚拟实现学报(英文)、中国系统仿真学会体育系统仿真专业委员会等机构联合主办的南京“2008年国际建模与仿真学术会议”，被ISTP检索，且申报者与参加会议的部分学者进行了交流，得到了同行的肯定和认可。
鉴定结果
- 好
参考文献
- Zhou etc.[1]分析了用水量与人口、降水、湿度、温度、工业和商业等条件的关系，认为一种可靠的预测方法通常应考虑诸如社会经济和气候因素之类的影响，刘淇铭[2]以灰色理论为基础，应用改进的残差GM(1,1)模型预测城市用水量，Jain etc.[3]采用人工神经网络对IIT Kanpur进行了短期的用水量预测，李斌等[4]以预测方法有效度为优化指标，建立了组合权重系数唯一的优化模型来预测城市用水量。 [1]Zhou, S. L. McMahon, T. A. Walton, A. and Lewis, J. (2002). Forecasting operational demand for an urban water supply zone, J. Hydrol. 259, 189-202. [2]刘淇铭.应用改进的残差GM(1,1)模型预测城市用水量[J].工程与建设,2007,21 (3): 248-250. [3]Jain, A. Varshney, A. K. and Joshi, U. C. (2001). Short-term water demand forecast modelling at IIT Kanpur using artificial neural networks, Water Resour Manag. 15(5), 299-321. [4]李斌,许仕荣,柏光明,李黎武.灰色-神经网络组合模型预测城市用水量[J].中国给水排水,2002,18 (2): 66-68.
同类课题研究水平概述
- 城市用水量的预测结果对于城市规划、供水系统的管理有着重要的意义。 国外由于城市用水资料比较齐全且较复杂，所以采用时间序列拟合的预测方法较多。20世纪90年代以来，由于计算机技术的发展和预测决策的需要，提出了许多新的基于人工智能的预测方法，如： 1.阶次模型(cascade model)和一阶不确定分析来预测用水量的可信区间； 2.考虑经济、技术发展和用水量之间的相互影响，利用计算机辅助预测未来用水量； 3.基于记忆学习(memory based learning)和多元回归来预测用水量； 4.联合Bax-Jenkins时间序列模型和人工神经网络来预测用水量。 国内在20世纪80年代以前一般采用激增率法、单元线性回归法及多元线性回归法来预测未来年份的城市用水量需求。20世纪80年代以来则陆续采用线性回归以外的理论，归纳起来主要有三种： 1.把数字滤波理论与线性回归结合在一起形成的方法，比较有代表性的是丁宏达提出的回归-马尔柯夫链法； 2.采用趋势外推法进行未来年份的用水量预测，比较有代表性的是王彬和穆瑞林提出的城市用水量需求的生长曲线法； 3.以灰色理论为基础的灰色预测模型，比较有代表性的是刘淇铭应用改进的残差GM(1,1)模型； 4.多模型优化的组合方法。比较有代表性的是王自勇和王圃基于方差—协方差优选组合灰色模型和一元线性回归模型。 上述预测方法中部分存在着随着预报期的增加，误差明显增大甚至失去预测价值的问题，其重要原因之一是预测模型只能静态单一、半静态单一、静态优化组合地简单考虑几个甚至不考虑社会因素对用水量的影响（只进行时间序列拟合），把用水量系统的未来看成了一种简单系统的连续，割裂开了实际上对用水量有极大影响的许多因素的作用。 在城市用水量预测建模时，必须考虑建模方法的选择和历史经验的学习方法，不同的预测方法包含有独特的信息特性，也是对事物内部结构的一种探索，为集结各单个预测方法包含的有用信息，本项目通过对GM(1,1)灰色系统和BP神经网络的动态组合优化，整合这两个模型的应用条件、建模机理等各种信息，对用水量与影响因素之间关系的描述更加合理和准确，从而增强预测模型的适应能力，减少预测风险，有效地提高预测精度。
