基于非平穩(wěn)時(shí)序的城市用水量ann-arma預(yù)測模型-wenkub.com
2025-08-17 16:51 本頁面
【正文】 Water Engineering, 2005, 16(3):610.[3] Aly A. H., Wanakule N. Shortterm forecasting for urban water consumption [J]. Journal of Water Resources Planning and Management, 2004, 130(5): 405410.[4] Zhao X. H., Tian Y. M., Chen C. F. Research on municipal water demands forecast [J]. Transactions of Tianjin University, 2002, 8(3): 2225.[5] 楊芳,張宏偉,劉洪波. 城市供水負(fù)荷短期預(yù)測方法[J]. 天津大學(xué)學(xué)報(bào), 2002, 35(2): 167170. Yang F., Zhang H. W., Liu H. B. A research on forecasting approach of shortterm municipal water consumption [J]. Journal of Tianjin University, 2002, 35(2):167170. [6] Liu H. B., Zhang H. W. Comparison of the city water consumption shortterm forecasting methods [J]. Transactions of Tianjin University, 2002, 8(3): 211215. [7] 李紅艷, 崔建國, 張星全. 城市用水量預(yù)測模型的優(yōu)選研究[J]. 中國給水排水, 2004, 20(2):4143.Li H. Y., Cui J. G., Zhang X. Q. Research on selecting of forecast models for urban water consumption [J]. China Water amp。需要指出的是，ANNARMA模型具有一定的局限性。從表1可以看出：（1）ANNARMA模型的總預(yù)測值與實(shí)際值的相對誤差不超過6%。殘差時(shí)序經(jīng)檢驗(yàn)是平穩(wěn)的。設(shè)計(jì)三層動(dòng)量BP網(wǎng)絡(luò)，輸入層12個(gè)神經(jīng)元、輸出層1個(gè)神經(jīng)元，隱含層取22個(gè)神經(jīng)元（經(jīng)過反復(fù)試算得到）；隱含層的轉(zhuǎn)移函數(shù)設(shè)為sigmoid型對數(shù)函數(shù)logsig，輸出層的轉(zhuǎn)移函數(shù)設(shè)為linear；，；網(wǎng)絡(luò)均方誤差精度（MSE）。估計(jì)方法有矩估計(jì)、最小二乘估計(jì)、極大似然估計(jì)等。方程式（9）成為具有階自回歸部分、階滑動(dòng)平均部分的模型。 擬合與預(yù)測確定項(xiàng)（1）滾動(dòng)訓(xùn)練與擬合：取對樣本數(shù)據(jù)，樣本輸入為，樣本輸出為，提供給BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練；（2）滾動(dòng)預(yù)測確定項(xiàng)：針對上述擬合好的 BP網(wǎng)絡(luò)，按時(shí)間序列繼續(xù)取對樣本，樣本輸入為，可預(yù)測輸出。動(dòng)量BP網(wǎng)絡(luò)的權(quán)值變化的調(diào)節(jié)公式為 （4）其中，、和分別表示，在、和時(shí)刻的神經(jīng)元到的聯(lián)接權(quán)矩陣；為動(dòng)量常數(shù)（，~）；為學(xué)習(xí)率（）；、分別表示神經(jīng)元、在時(shí)刻的輸出；=表示神經(jīng)元在時(shí)刻的輸出誤差，神經(jīng)元的理想輸出。訓(xùn)練后的BP網(wǎng)絡(luò)可以預(yù)測非平穩(wěn)時(shí)序未來的確定項(xiàng)。當(dāng)或超過15時(shí)，可用正態(tài)分布來近似，并構(gòu)造如下統(tǒng)計(jì)量進(jìn)行檢驗(yàn)： （1）式中，為游程的期望數(shù)， （2）為游程的標(biāo)準(zhǔn)差， （3）對于的顯著水平，若（按原則），則可接受（平穩(wěn)性假設(shè)）；否則，拒絕（接受非平穩(wěn)性）。均值為，比小的觀察值數(shù)目為，記為“”；比大的觀察值數(shù)目為，記為“+”。2 ANNARMA模型 月產(chǎn)量時(shí)間序列的平穩(wěn)性檢驗(yàn)時(shí)間序列的平穩(wěn)性檢驗(yàn)方法主要有參數(shù)檢驗(yàn)法和非參數(shù)檢驗(yàn)法。確定項(xiàng)可用與時(shí)間有關(guān)的確定性函數(shù)（如多項(xiàng)式、指數(shù)或正弦函數(shù)）擬合，表示時(shí)序的非平穩(wěn)趨向；隨機(jī)項(xiàng)表示平穩(wěn)的隨機(jī)成分，可用ARMA模型擬合。1 基本思路目前，許多文獻(xiàn)的時(shí)間序列分析缺乏平穩(wěn)性檢驗(yàn)，常常以平穩(wěn)假設(shè)為前提去應(yīng)用ARMA模型；這雖然能夠降低問題的難度，但也因簡化了具有決定性影響的非線性因素，從而導(dǎo)致錯(cuò)誤的結(jié)論[8]。近年來，文獻(xiàn)[36]等研究了城市用水量短期預(yù)測的平穩(wěn)時(shí)間序列分析方法，如回歸分析法、指數(shù)平滑法、ARMA模型、三角函數(shù)法、灰色預(yù)測法、神經(jīng)網(wǎng)絡(luò)模型等，這些方法的應(yīng)用可以取得較高的精度。隨著國民經(jīng)濟(jì)的發(fā)展，城市人口的增長和人們生活水平的提高，城市用水需求量大幅度上升，導(dǎo)致城市水資源的供需矛盾日益加劇。 middlelong term forecast。因此，該集成模型應(yīng)用于基于非平穩(wěn)時(shí)間序列的城市用水量中長期預(yù)測，具有科學(xué)性和可行性。結(jié)果：應(yīng)用該集成模型，對某城市的中長期用水量進(jìn)行了模擬預(yù)測。該論文研究了基于非平穩(wěn)時(shí)間序列的城市用水量中長期預(yù)測方法。曾鳳章(1943)，女，漢族，北京人，北京理工大學(xué)教授，博士生導(dǎo)師，研究方向：工業(yè)工程。 聯(lián)系方式：0106891 6003(固定)；136 8350 4662 Email：caifengbit caifengbit，曾鳳章(導(dǎo)師)(1北京理工大學(xué) 北京 100081)文摘:目的：面對城市水資源供需矛盾日益加劇的現(xiàn)狀，城市用水量預(yù)測已成為城市建設(shè)與水資源規(guī)劃工作的重要
規(guī)章制度相關(guān)推薦
鄂ICP備17016276號-1