CN103226741B - 城市供水管网爆管预测方法 - Google Patents

Abstract

本发明属于城市供水管网爆管的预测方法类，为提供一种新的城市供水管网爆管预测方法，以解决预测精度不高的问题，建立爆管预测模型，为城市供水管网爆管提供一种新的研究基础。为此，本发明采取的技术方案是，城市供水管网爆管预测方法，包括如下步骤：（1）获取被测供水管网的爆管率及对其有影响的其他相关影响因素的历史数据作为检测的数据；（2）建立自适应神经网络杂合变精度粗糙集的供水管网爆管预测模型；（3）供水管网爆管预测模型的训练和测试分析；（4）利用通过测试的供水管网爆管预测模型预测供水管网的爆管率。本发明主要应用于城市供水管网爆管的预测。

Description

城市供水管网爆管预测方法

技术领域

本发明属于城市供水管网爆管的预测方法类，尤其适用爆管历史数据有限的情况，具体来说，涉及供水管网爆管预测方法。

背景技术

供水管网是城市最重要的基础设施之一，是保证城市生产、生活正常运行的不可或缺的条件。但是，近几年来，供水管网爆管事故频发，一方面严重影响人们的正常生活，另一方面也造成了大量净水资源的浪费。因此，对供水管网爆管的预测和预知就显得尤为重要。许多专家和学者曾对供水管网爆管预测进行了大量的探索和研究，以建立传统爆管数学模型、爆管预警系统等为主要成果。但是，由于供水管网爆管本身的不确定性、影响因素的多变性、实际供水管网的复杂性，建立爆管预测数学模型比较困难且预测精度不高。针对供水管网爆管的以上特点，提出了一种新的供水管网爆管模糊预测方法即基于自适应神经网络杂合变精度粗糙集的供水管网爆管预测方法。

发明内容

本发明旨在克服现有技术的不足，提供一种新的城市供水管网爆管预测方法，以解决传统的爆管数学模型预测中因数据收集有限及爆管发生的不确定性而导致预测精度不高的问题，建立爆管预测模型，为城市供水管网爆管提供一种新的研究基础。为此，本发明采取的技术方案是，城市供水管网爆管预测方法，包括如下步骤：

（1）获取被测供水管网的爆管率及对其有影响的其他相关影响因素的历史数据作为检测的数据；

（2）建立自适应神经网络杂合变精度粗糙集的供水管网爆管预测模型；

（3）供水管网爆管预测模型的训练和测试分析；

（4）利用通过测试的供水管网爆管预测模型预测供水管网的爆管率。

所述的对供水管网爆管有影响的其他相关影响因素有管材、道路类型、路面材质。

在获取供水管网的爆管率时，为保证预测精度，以单位管长的爆管率*1000作为爆管率预测数据；并将包括管材、道路类型、路面材质的爆管的影响因素按照层次分析法归一化到0-1之间，具体归一化数值见表1、表2、表3；

表1不同管材影响爆管权重

管材	PE	UPVC	玻璃钢	球墨铸铁
					占总爆管次数权重	0.05	0.50	0.35	0.1

表2不同道路类型影响爆管权重

道路类型	主干道	次干道	人行道	草地
					占总爆管次数权重	0.44	0.32	0.16	0.08

表3不同的路面材质影响爆管权重

路面材质	草地	土	砖	沥青
					占总爆管次数权重	0.34	0.11	0.29	0.26

基于自适应神经网络杂合变精度粗糙集的供水管网爆管预测模型包括以下两个阶段：利用变精度粗糙集简约信息系统及发现知识：包括数据收集、选择及预处理；决策表的构造，再由β-简约数据集训练神经网络建立预测模型；该模型实现模拟的过程是采用反向传播算法和梯度学习法的混合算法调整前提参数和结论参数，神经元的变换函数是S型函数，输出量为0到1之间的连续量。

所述的对供水管网爆管预测模型进行训练和测试是指，将收集到的管材、道路类型、路面材质和相应的爆管率作为一组数据，将所有收集到的数据分为两部分，前80%作为训练样本，后20%作为检验样本。

所述的对供水管网爆管预测模型进行训练和测试进一步包括：调用训练样本β-简约的条件属性、决策属性和仿真样本β-简约的条件属性，输入包括管材、道路类型、路面材料的情况和爆管率的原始数据，对以上数据和目标矩阵做归一化的处理并设置归一化处理后的最大最小值，利用处理好的数据对网络采用梯度下降法进行训练，训练次数为50000次，且每1000次轮回显示一次结果，再设置该系统的学习速度和均方差，随着训练的进行，得到一系列的仿真数据，把它们还原为原始的数据，并用原始数据仿真结果和已知的数据进行逐个对比测试得出误差，若误差小于指定精度则学习结束，否则，继续学习，直到误差达到0.000001时学习停止。

利用通过测试的供水管网爆管预测模型预测供水管网的爆管率具体为，输入归一化的0-1之间的数据，再输入到建立的供水管网爆管预测模型中通过网络运算后得到爆管率的预测值。

自适应神经网络杂合变精度粗糙集共有5层，第一层为输入层，第二层为模糊化层，第三层为模糊推理层，第四层为决策层，第五层为输出层；

第一层为输入层，该层的输入为特征向量X的精确值，即精确条件属性；神经元个数n为简约后的条件属性个数，特征向量x＝[x₁,x₂...,x_n]，即把爆管率作为节点输入的一个状态变量，x为输入爆管率的数据；

第二层为模糊化层，当给输入层一个输入向量时，必须确定其与每个相应隐层之间的联系，与第t个输入节点相联接的一组神经元的作用是对输入向量第t个分量进行的解释，对精度值模糊化，该层的神经层函数为各离散值对应的模糊隶属函数，径向基神经网络采用径向基函数,采用高斯函数进行神经网络的传递的激活函数，

神经元作用函数为Gauss函数，以高斯传递函数和表示，其中i＝1,2,...,n；a_i、b_i、c_i、d_i是高斯修正参数；

以某一节点为例，传递函数高斯化，则：

$O_{\mathrm{ij}}=g_{x_i}(x_i,a_{i,}{b}_i)=\exp [-(x_i-d_{\mathrm{ij}})/{\mathrm{\σ}}_{\mathrm{ij}}^2]$

式中O_ij—隶属函数，j＝1,2,...,m；

d_ij、σ_ij—分别是高斯隶属函数的中心和宽度，称为前提参数，在matlab函数库中自动生成；

第三层为模糊推理层，该层的每个神经元代表一条模糊规则，它的作用是用来匹配模糊规则的前件，若第二层神经元对应的离散值是某条规则的规则前件，则该神经元与相应的规则神经元的权值用“1”连接，否则为“0”，该层的作用函数为该条规则的适用度，计算出每条模糊规则的适用度，该神经元的作用函数为：

${\text{\α}}_j=\min (u_1^{i_1},u_2^{i_2},...,u_n^{i_n})j=\mathrm{1,2},...,m;$

$m=\underset{i=1}{\overset{n}{\mathrm{\Π}}}{m}_i,i_1\∈\{\mathrm{1,2},...,m_1\},i_2\∈\{\mathrm{1,2},...,m_2\},...,i_n\∈\{\mathrm{1,2},...,m_n\}$

式中α_j—适用度函数；

—该节点上的参数集合；

n—模型的规则总数；

m—对应规则的激励函数输出；

的输入，代表了不同因素对爆管的影响权重，即输入管材、道路类型、路面材料对于爆管率影响的权重，输入权重后利用matlab中的模糊规则函数进行系统的分析运算，得到每条模糊规则的使用度，进而为决策的生产作为一个重要的函数链接；

第四层为决策层，该层的神经元代表输入对象的类别，神经元数与决策属性的类型相同，第三层神经元与该层中代表相应决策的神经元相连，表示该规则推出某条结论，该神经元的作用函数为：

$y_h=\underset{j=1}{\overset{m}{\mathrm{\Σ}}}{w}_{\mathrm{hj}}{\mathrm{\α}}_j,h=\mathrm{1,2},...,r$

式中h—该层神经元的个数；

w_ij—规则的置信度，采用重心法加权求和，该层的每个节点都是自适应节点；

第五层为输出层，节点数和决策属性个数相同，该层表示去模糊化，输出值为：

$z=\frac{\underset{h=1}{\overset{r}{\mathrm{\Σ}}}{y}_h{b}_h}{\underset{h=1}{\overset{r}{\mathrm{\Σ}}}{y}_h}$

式中Z—模糊系统所有输入信号的总输出；

b_h—决策神经元对应的决策属性值，在网络的训练过程中其值保持不变。

本发明的技术特点及效果：

本发明利用自适应神经网络杂合变精度粗糙集对供水管网爆管的联合预测，利用模糊规则的不全面性、粗糙性，并将神经网络技术引进来，借助神经网络的信息存贮能力和学习能力，更有效的利用人类知识，处理不精确及不确定的情况，加强了对位置或变化的环境进行学习和调节的性能，使系统本身朝着自适应、自组织、自学习的方向发展，因此，对供水管网爆管这种不确定因素较多的情况非常适合。

本发明提供的模型具有更为精简的结构和更短的训练时间,而且具有更强的近似决策和泛化能力，可以满足爆管预测的要求，而且在MATAB中实现非常方便，为供水管网爆管预测提供了可行方法。

附图说明

图1是本发明的自适应网络杂合变精度粗糙集的构建结构图；

图2是本发明的爆管模型的训练次数为50000次，且每1000次轮回显示一次的训练误差逼近；

图3是相应的模型训练输出的爆管率和实际爆管率对比图；

图4是本发明的爆管模型的训练次数是25000次，且每1000次轮回显示一次的训练误差逼近。

图5是相应的模型训练输出的爆管率和实际爆管率的对比图；

图6是本发明的爆管模型的训练次数是50000次，且每100次轮回显示一次的训练误差逼近。

图7是相应的模型训练输出的爆管率和实际爆管率的对比图。

具体实施方式

本发明的目的是提供一种新的城市供水管网爆管预测方法，以解决传统的爆管数学模型预测中因数据收集有限及爆管发生的不确定性而导致预测精度不高的问题。通过变精度粗糙集对数据的模糊和不确定性的处理、以及对数据不一致性的较好的容忍，并结合自适应神经网络的自学习能力，建立爆管预测模型，为城市供水管网爆管提供一种新的研究基础。

本发明要解决的技术问题是：提供一种能够解决现有的神经网络爆管预测模型所存在的问题，如神经网络无法确定相对重要的参数组合、网络结构的构造缺乏通用性、推理过程不够明确且缺乏解释能力等。而粗糙集是一种处理模糊与不确定性的数学方法，是由时间需求驾驭的，它的思维是基于不可分辨的关系，因此神经系统的上述弱势可以用粗糙集来弥补。变精度粗糙集模型(VPRS)是粗糙集模型的扩充,它引入了精度参数,对数据的不一致性有较好的容忍度。变精度粗糙集方法被用作自适应神经网络的一个数据预处理工具，并可从信息系统中提取概率决策规则，对数据进行β-简约后作为神经网络的输入程式提供给自适应神经网络，最终生成新事例的完全预测。

该预测方法的最大的特点是，多参数输入、多参数输出，实现了数据的并行处理及自学能力。它能对大量已知数据的学习得到想要的预测结果，而不是基于经验或直觉给定的，它改善现有的神经网络设计中必须靠人的思维反复调整函数才能达到减小误差、增进效能的特点，通过训练与自适应解决了上述问题。这对于那些特性还不被人们所完全了解或特性非常复杂的系统尤为重要，所以尤其适用于缺乏专家经验知识的一类复杂预测，例如：供水管网爆管的预测。

本发明所采用的技术方案是一种基于自适应神经网络杂合变精度粗糙集的供水管网爆管预测方法，包括如下步骤：

（1）获取被测供水管网的爆管率及对其有影响的其他相关影响因素的历史数据作为检测的数据；

（2）建立自适应神经网络杂合变精度粗糙集的供水管网爆管预测模型；

（3）模型的训练和测试分析；

（4）利用通过测试的模型预测供水管网的爆管率。

所述的对供水管网爆管有影响的其他相关影响因素有管材、道路类型、路面材质。

所述的步骤（1）包括将影响供水管网爆管的因素以管径作为分组变量，本次预测以DN300mm为例，为保证预测精度，以单位管长的爆管率*1000作为爆管率统计数据；还包括将爆管的影响因素归一化到0-1之间的归一化过程。

（2）所述的自适应神经网络-杂合变精度粗糙集共有5层，第一层为输入层，第二层为模糊化层，第三层为模糊推理层，第四层为决策层，第五层为输出层。

第一层为输入层，该层的输入为特征向量X的精确值，即精确条件属性；神经元个数n为简约后的条件属性个数。(x＝[x₁,x₂...,x_n]，即把爆管率作为节点输入的一个状态变量；)(x为输入爆管率的数据)

第二层为模糊化层，当给输入层一个输入向量时，必须确定其与每个相应隐层之间的联系。与第t个输入节点相联接的一组神经元的作用是对输入向量第t个分量进行的解释，对精度值模糊化。该层的神经层函数为各离散值对应的模糊隶属函数。径向基神经网络采用径向基函数,本技术采用高斯函数进行神经网络的传递的激活函数。

神经元作用函数为Gauss函数，以高斯传递函数和表示，其中i＝1,2,...,n；a_i、b_i、c_i、d_i是高斯修正参数；

以某一节点为例，传递函数高斯化，则

$O_{\mathrm{ij}}=g_{x_i}(x_i,a_i,b_i)=\exp [-(x_1-d_{\mathrm{ij}})/{\mathrm{\σ}}_{\mathrm{ij}}^2]$

式中O_ij—隶属函数，j＝1,2,...,m；

d_ij、σ_ij—分别是高斯隶属函数的中心和宽度，称为前提参数，在matlab函数库中自动生成；

第三层为模糊推理层，该层的每个神经元代表一条模糊规则，它的作用是用来匹配模糊规则的前件，若第二层神经元对应的离散值是某条规则的规则前件，则该神经元与相应的规则神经元的权值用“1”连接，否则为“0”。该层的作用函数为该条规则的适用度，计算出每条模糊规则的适用度，该神经元的作用函数为：

${\mathrm{\α}}_j=\min (u_1^{i_1},u_2^{i_2},...,u_n^{i_n})j=\mathrm{1,2},...,m;$

$m=\underset{i=1}{\overset{n}{\mathrm{\Π}}}{m}_i,i_1\∈\{\mathrm{1,2},...,m_1\},i_2\∈\{\mathrm{1,2},...,m_2\},...,i_n\∈\{\mathrm{1,2},...,m_n\}$

式中α_j—适用度函数；

—该节点上的参数集合；

n—模型的规则总数；

m—对应规则的激励函数输出；

的输入，代表了不同因素对爆管的影响权重，即输入管材、道路类型、路面材料对于爆管率影响的权重。输入权重后利用matlab中的模糊规则函数进行系统的分析运算,得到每条模糊规则的使用度，进而为决策的生产作为一个重要的函数链接。

第四层为决策层，该层的神经元代表输入对象的类别，神经元数与决策属性的类型相同。第三层神经元与该层中代表相应决策的神经元相连，表示该规则推出某条结论，该神经元的作用函数为：

$y_h=\underset{j=1}{\overset{m}{\mathrm{\Σ}}}{w}_{\mathrm{hj}}{\mathrm{\α}}_j,h=\mathrm{1,2},...,r$

式中h—该层神经元的个数；

w_ij—规则的置信度，采用重心法加权求和，该层的每个节点都是自适应节点；

第五层为输出层，节点数和决策属性个数相同，该层表示去模糊化，输出值为：

$z=\frac{\underset{h=1}{\overset{r}{\mathrm{\Σ}}}{y}_h{b}_h}{\underset{h=1}{\overset{r}{\mathrm{\Σ}}}{y}_h}$

式中Z—模糊系统所有输入信号的总输出；

b_h—决策神经元对应的决策属性值，在网络的训练过程中其值保持不变；

（3）所述的对模型的训练和测试是指将检测数据分为两部分，前80%用来训练网络，记为训练样本；后20%用来检验模型，记为检验样本，对网络进行不同次数的训练和设定不同轮回的显示结果，当预测误差均低于规定水平时，通过测试，最终建立模型；

（4）利用建立的自适应神经网络杂合变精度粗糙集模型进行预测时，先将监测数据进行归一化处理到0-1之间，再进行预测，给出爆管率预测结果。

本发明采用以自适应神经网络系统控制技术为主导，杂合变精度粗糙集为辅助的方式预测供水管网爆管的情况，解决了现有的神经网络预测中无法确定相对重要的参数组合、网络结构的构造缺乏通用性、推理过程不够明确且缺乏解释能力、靠人的思维能力反复调整参数的问题。利用该发明，应用与爆管密切相关的且容易获得的因素，建立自适应神经网络杂合变精度粗糙集模型，通过复杂的逻辑推理、模拟人的思维能力、实时学习和自动识别的功能，只需进行有限次的训练即可建立爆管预测模型，进一步提高预测质量。

下面结合实例对本发明的基于自适应神经网络杂合变精度粗糙集的供水管网爆管预测方法做出说明。

本发明搜集的爆管率及相关因素的部分数据如下：

爆管率与相关环境因素值

序号	管材	道路类型	路面材质	爆管率*1000
					1	PE	主干道	沥青	1.56
2	PE	主干道	砖	3.95
					3	UPVC	主干道	沥青	5.27
4	UPVC	次干道	沥青	0.86
					5	UPVC	人行道	砖	0.28
6	玻璃钢	主干道	沥青	0.76
					7	玻璃钢	次干道	沥青	4.16
8	玻璃钢	人行道	砖	0.42
					9	球墨铸铁	主干道	沥青	0.33
10	球墨铸铁	人行道	砖	1.00

本发明所述的步骤具体如下：

（1）获取被测供水管网中爆管率及对其有影响的其他相关影响因素的历史数据作为检测的数据；

本发明的实施实例中获取对爆管有影响的其他因素，通过收集整理历史数据获得所需数据。

在获取供水管网的爆管率时，为保证预测精度，以单位管长的爆管率*1000作为爆管率预测数据；并将爆管的影响因素（管材、道路类型、路面材质）按照层次分析法归一化到0-1之间，具体归一化数值见表1、表2、表3。

表1不同管材影响爆管权重

管材	PE	UPVC	玻璃钢	球墨铸铁
					占总爆管次数权重	0.05	0.50	0.35	0.1

表2不同道路类型影响爆管权重

道路类型	主干道	次干道	人行道	草地
					占总爆管次数权重	0.44	0.32	0.16	0.08

表3不同的路面材质影响爆管权重

路面材质	草地	土	砖	沥青
					占总爆管次数权重	0.34	0.11	0.29	0.26

（2）建立自适应神经网络杂合变精度粗糙集的供水管网爆管预测模型；

基于自适应神经网络杂合变精度粗糙集爆管预测模型包括以下两个阶段：利用变精度粗糙集简约信息系统及发现知识：包括数据收集、选择及预处理；决策表的构造，再由β-简约数据集训练神经网络建立预测模型。

该模型实现模拟的过程是采用反向传播算法和梯度学习法的混合算法调整前提参数和结论参数，是一种多层前馈神经系统，其神经元的变换函数是S型函数，因此输出量为0到1之间的连续量，它可以实现从输入到输出的任意非线性映射。

（3）模型的训练和测试分析；

所述的对自适应神经网络杂合变精度粗糙集爆管模型进行训练和测试是指，将收集到的管材、道路类型、路面材质和相应的爆管率作为一组数据，将所有收集到的数据分为两部分，前80%作为训练样本，后20%作为检验样本。

调用训练样本β-简约的条件属性、决策属性和仿真样本β-简约的条件属性。输入管材、道路类型、路面材料的情况和爆管率等原始数据。对以上数据和目标矩阵做归一化的处理并设置归一化处理后的最大最小值。利用处理好的数据对网络进行训练，本训练法采用的是梯度下降法训练，训练次数为50000次，且每1000次轮回显示一次结果，再设置该系统的学习速度和均方差，随着训练的进行，得到一系列的仿真数据，把它们还原为原始的数据，并用原始数据仿真结果和已知的数据进行逐个对比测试得出误差，若误差小于指定精度则学习结束，否则，继续学习，直到误差达到0.000001时学习停止。

为了对比训练次数和不同轮回显示结果对误差的影响，本实施例用训练次数为50000次、每1000次轮回显示一次结果与训练次数为25000次、且每1000次轮回显示一次结果、及训练次数为50000次、且每100次轮回显示一次结果做对比，发现采用第二种方法进行训练的时候误差几乎没有改变，而采用第三种训练方法训练数据时产生了较大的误差，误差基本和训练次数（训练次数大于2000次）关系不大，和轮回显示次数有着很强的线性关系，轮回次数越多，今后预测的模型就越精准，但是不可以无限的提高轮回次数，是因为MATLAB软件内置的工具箱的局限性和电脑云处理速度的限制，当轮回次数过高时，处理速度变的非常缓慢，且分析结果和普通轮回次数几乎相同，因此没有必要无限提高电脑运行的轮回显示。故选用第一种方法进行训练，训练结束时预测模型的目标值和输出值相关系数高达1，最终拟合的平均相对误差为9.80×10-⁵。

当模型训练结束后，利用另外20%的检验样本检验模型是否符合要求。利用模型学习的剩余的20%的数据预测所对应的爆管率，对照模型预测值和实际测量值的误差，当各组测试数据的预测误差均小于规定水平时即通过测试，可以用于预测工作。此时模型的预测值和实际值的相关系数为0.90，模型预测的平均相对误差为13.39%，通过测试，模型可用于预测工作。

（4）利用通过测试的模型预测供水管网的爆管率。

利用通过测试的自适应神经网络杂合变精度粗糙集的供水管网爆管预测方法，必须输入归一化的0-1之间的数据，再输入到建立的模型中，通过网络运算后即可得到爆管率的预测值。

以上结果说明，所建立的自适应神经网络杂合变精度粗糙集的供水管网爆管模型利用杂合变精度粗糙集对数据进行输入、模糊化、模糊推理、决策化、构造β-简约数据集，并利用自适应神经网络的自学习能力训练预测模型，通过对不同的训练次数和不同轮回的显示结果进行比较得到最佳预测模型，为供水管网爆管模糊预测提供了新的方法，具有较强的推广能力。

Claims (7)

1.一种城市供水管网爆管预测方法，其特征是，包括如下步骤：

(1)获取被测供水管网的爆管率及对其有影响的其他相关影响因素的历史数据作为检测的数据；

(2)建立自适应神经网络杂合变精度粗糙集的供水管网爆管预测模型；

(3)供水管网爆管预测模型的训练和测试分析；

(4)利用通过测试的供水管网爆管预测模型预测供水管网的爆管率；

所述的对供水管网爆管预测模型进行训练和测试进一步包括：调用训练样本β-简约的条件属性、决策属性和仿真样本β-简约的条件属性，输入包括管材、道路类型、路面材料的情况和爆管率的原始数据，对以上数据和目标矩阵做归一化的处理并设置归一化处理后的最大最小值，利用处理好的数据对网络采用梯度下降法进行训练，训练次数为50000次，且每1000次轮回显示一次结果，再设置该系统的学习速度和均方差，随着训练的进行，得到一系列的仿真数据，把它们还原为原始的数据，并用原始数据仿真结果和已知的数据进行逐个对比测试得出误差，若误差小于指定精度则学习结束，否则，继续学习，直到误差达到0.000001时学习停止。

2.如权利要求1所述的城市供水管网爆管预测方法，其特征是，所述的对供水管网爆管有影响的其他相关影响因素有管材、道路类型、路面材质。

3.如权利要求1所述的城市供水管网爆管预测方法，其特征是，在获取供水管网的爆管率时，为保证预测精度，以单位管长的爆管率*1000作为爆管率预测数据；并将包括管材、道路类型、路面材质的爆管的影响因素按照层次分析法归一化到0-1之间，具体归一化数值见表1、表2、表3；

表1不同管材影响爆管权重

管材 PE UPVC 玻璃钢 球墨铸铁 占总爆管次数权重 0.05 0.50 0.35 0.1

表2不同道路类型影响爆管权重

道路类型 主干道 次干道 人行道 草地 占总爆管次数权重 0.44 0.32 0.16 0.08

表3不同的路面材质影响爆管权重

路面材质 草地 土 砖 沥青 占总爆管次数权重 0.34 0.11 0.29 0.26

。

4.如权利要求1所述的城市供水管网爆管预测方法，其特征是，自适应神经网络杂合变精度粗糙集的供水管网爆管预测模型涉及以下两个阶段：利用变精度粗糙集简约信息系统及发现知识：包括数据收集、选择及预处理；决策表的构造，再由β-简约数据集训练神经网络建立预测模型；该模型实现模拟的过程是采用反向传播算法和梯度学习法的混合算法调整前提参数和结论参数，神经元的变换函数是S型函数，输出量为0到1之间的连续量。

5.如权利要求1所述的城市供水管网爆管预测方法，其特征是，所述的对供水管网爆管预测模型进行训练和测试是指，将收集到的管材、道路类型、路面材质和相应的爆管率作为一组数据，将所有收集到的数据分为两部分，前80％作为训练样本，后20％作为检验样本。

6.如权利要求1所述的城市供水管网爆管预测方法，其特征是，利用通过测试的供水管网爆管预测模型预测供水管网的爆管率具体为，输入归一化的0-1之间的数据，再输入到建立的供水管网爆管预测模型中通过网络运算后得到爆管率的预测值。

7.如权利要求1所述的城市供水管网爆管预测方法，其特征是，自适应神经网络杂合变精度粗糙集共有5层，第一层为输入层，第二层为模糊化层，第三层为模糊推理层，第四层为决策层，第五层为输出层；

第一层为输入层，该层的输入为特征向量X的精确值，即精确条件属性；神经元个数n为简约后的条件属性个数，特征向量x＝[x₁,x₂...,x_n]，即把爆管率作为节点输入的一个状态变量，x为输入爆管率的数据；

第二层为模糊化层，当给输入层一个输入向量时，必须确定其与每个相应隐层之间的联系，与第t个输入节点相联接的一组神经元的作用是对输入向量第t个分量进行的解释，对精度值模糊化，该层的神经层函数为各离散值对应的模糊隶属函数，径向基神经网络采用径向基函数,采用高斯函数进行神经网络的传递的激活函数，

神经元作用函数为Gauss函数，以高斯传递函数和表示，其中i＝1,2,...,n；a_i、b_i、c_i、d_i是高斯修正参数；

以某一节点为例，传递函数高斯化，则：

$O_{ij}=g_{x_i}(x_i,a_{i,}{b}_i)=\exp \[-(x_i-d_{ij})/{\mathrm{\σ}}_{ij}^2\]$

式中O_ij—隶属函数，j＝1,2,...,m；

d_ij、σ_ij—分别是高斯隶属函数的中心和宽度，称为前提参数，在matlab函数库中自动生成；

第三层为模糊推理层，该层的每个神经元代表一条模糊规则，它的作用是用来匹配模糊规则的前件，若第二层神经元对应的离散值是某条规则的规则前件，则该神经元与相应的规则神经元的权值用“1”连接，否则为“0”，该层的作用函数为该条规则的适用度，计算出每条模糊规则的适用度，该神经元的作用函数为：

${\mathrm{\α}}_j=min(u_1^{i_1},u_2^{i_2},...,u_n^{i_n}),j=1,2,...,m;$

$m=\underset{i=1}{\overset{n}{\Π}}{m}_i,i_1\∈\{1,2,...,m_1\},i_2\∈\{1,2,...,m_2\},...,i_n\∈\{1,2,...,m_n\}$

式中α_j—适用度函数；

—该节点上的参数集合；

n—模型的规则总数；

m—对应规则的激励函数输出；

的输入，代表了不同因素对爆管的影响权重，即输入管材、道路类型、路面材料对于爆管率影响的权重，输入权重后利用matlab中的模糊规则函数进行系统的分析运算，得到每条模糊规则的使用度，进而为决策的生产作为一个重要的函数链接；

第四层为决策层，该层的神经元代表输入对象的类别，神经元数与决策属性的类型相同，第三层神经元与该层中代表相应决策的神经元相连，表示该规则推出某条结论，该神经元的作用函数为：

$y_h=\underset{j=1}{\overset{m}{\Σ}}{w}_{hj}{\mathrm{\α}}_j,h=1,2,...,r$

式中h—该层神经元的个数；

w_ij—规则的置信度，采用重心法加权求和，该层的每个节点都是自适应节点；

第五层为输出层，节点数和决策属性个数相同，该层表示去模糊化，输出值为：

$z=\frac{\underset{h=1}{\overset{r}{\Σ}}{y}_h{b}_h}{\underset{h=1}{\overset{r}{\Σ}}{y}_h}$

式中Z—模糊系统所有输入信号的总输出；

b_h—决策神经元对应的决策属性值，在网络的训练过程中其值保持不变。