CN109242265B - 基于误差平方和最小的城市需水量组合预测方法 - Google Patents
基于误差平方和最小的城市需水量组合预测方法 Download PDFInfo
- Publication number
- CN109242265B CN109242265B CN201810927846.8A CN201810927846A CN109242265B CN 109242265 B CN109242265 B CN 109242265B CN 201810927846 A CN201810927846 A CN 201810927846A CN 109242265 B CN109242265 B CN 109242265B
- Authority
- CN
- China
- Prior art keywords
- model
- layer
- value
- neural network
- sequence
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 58
- 238000000034 method Methods 0.000 title claims abstract description 36
- 238000013528 artificial neural network Methods 0.000 claims abstract description 35
- YHXISWVBGDMDLQ-UHFFFAOYSA-N moclobemide Chemical compound C1=CC(Cl)=CC=C1C(=O)NCCN1CCOCC1 YHXISWVBGDMDLQ-UHFFFAOYSA-N 0.000 claims abstract description 25
- 238000012549 training Methods 0.000 claims abstract description 17
- 238000003062 neural network model Methods 0.000 claims abstract description 9
- 230000008859 change Effects 0.000 claims abstract description 5
- 238000005096 rolling process Methods 0.000 claims abstract description 5
- 230000006870 function Effects 0.000 claims description 14
- 238000010606 normalization Methods 0.000 claims description 13
- 238000012360 testing method Methods 0.000 claims description 11
- 230000008569 process Effects 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 8
- 210000002569 neuron Anatomy 0.000 claims description 8
- 238000012545 processing Methods 0.000 claims description 8
- 238000004422 calculation algorithm Methods 0.000 claims description 7
- 238000009499 grossing Methods 0.000 claims description 7
- 241001123248 Arma Species 0.000 claims description 5
- 238000005457 optimization Methods 0.000 claims description 4
- 230000009466 transformation Effects 0.000 claims description 4
- 239000011159 matrix material Substances 0.000 claims description 3
- 238000004088 simulation Methods 0.000 claims description 3
- 210000004027 cell Anatomy 0.000 claims description 2
- 238000006243 chemical reaction Methods 0.000 claims description 2
- 238000007689 inspection Methods 0.000 claims description 2
- 230000006641 stabilisation Effects 0.000 claims 1
- 238000011105 stabilization Methods 0.000 claims 1
- 238000011425 standardization method Methods 0.000 claims 1
- 238000011161 development Methods 0.000 abstract description 3
- 230000007613 environmental effect Effects 0.000 abstract description 3
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000013112 stability test Methods 0.000 description 2
- 239000008400 supply water Substances 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 101150036841 minJ gene Proteins 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06315—Needs-based resource requirements planning or analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A20/00—Water conservation; Efficient water supply; Efficient water use
- Y02A20/152—Water filtration
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Operations Research (AREA)
- Development Economics (AREA)
- Quality & Reliability (AREA)
- Educational Administration (AREA)
- Game Theory and Decision Science (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Feedback Control In General (AREA)
Abstract
本发明公开了一种基于误差平方和最小的城市需水量组合预测方法。本发明首先建立供水管网需水量数据库。然后训练并建立RBF神经网络模型、GRNN模型、ARIMA模型。最后基于误差平方和最小进行组合预测。本发明将RBF神经网络逼近能力强，全局最优等特点与GRNN神经网络学习速度快，易收敛等特点与ARIMA灵活，适应性强等特点结合,并结合滚动更新策略，使该预测方法能动态适应环境发展变化。
Description
技术领域
本发明属于城市供水领域，涉及一种基于误差平方和最小的城市需水量组合预测方法。
背景技术
城市需水量预测是城市水资源管理规划的一个重要步骤，也是区域水资源规划及优化配置的基础内容之一。城市供水需水量具有非线性和随机波动性特点，尽管已有许多种预测方法，但每种预测方法都有自己的优缺点，如RBF神经网络，它具有局部逼近，全局最优等优点，但容易丢失一些关键信息。GRNN神经网络,学习速度快，易收敛，但经常陷入局部极小值。
本发明提出了一种新的城市短期需水量预测方法——基于误差平方和最小的城市需水量线性组合预测方法。通过组合预测可以实现动态适应环境发展变化，提高预测精度。
发明内容
针对城市供水需水量的非线性和随机波动性特点，本发明提出了一种新的需水量预测方法——误差平方和最小的城市需水量组合预测方法。
本发明的具体步骤如下：
1、建立供水管网需水量数据库
建立供水管网需水量数据库。输入数据包括：各地区测点累计流量、节假日情况、各地区历史天气数据，如日最高气温，日最低情况，日降雨情况，风力等。输出数据包括：需水量预测值，预测时间等。
1)确定训练样本
将SCADA(Supervisory Control and Data Acquisition)系统采集到的需水量数据、天气情况和节假日作为模型训练数据样本集合表示为
χi表示第i组模型输入数据，yi表示第i组模型输出数据。设供水管网系统有p个输入控制变量，r个输出变量
2)数据归一化处理
对输入数据进行归一化处理，一般采用最大—最小标准化方法对数据进行处理
其中：Y为归一化处理后的输入值，L为原始输入值，Lmax、Lmin为神经网络输入量的最大、最小值。该方法将数据归一到[0,1]之间，便于处理。
对应的反归一化算法为
Y＝Lmin+Y(Lmax-Lmin) (2)
2、训练并建立RBF神经网络模型
RBF神经网络一般由三层组成。第一层为输入层，第二层为隐含层，第三层为输出层。
输入层：输入层直接将神经网络输入到隐含层。
隐含层：隐含层输出为
其中，x＝[x1.....xn]T为输入向量；ci＝[c1i...cNi]T为第i个非线性变换单元的中心向量，i＝1,2......M,M为输出维数；δi为第i个非线性变换单元格宽度。
输出层：输出层作用是将隐含层的输出线性加权合并。
RBF神经网络输出为：
f1＝[f11......f1t]T
这里，RBF神经网络隐含层结点数一般通过经验公式得到
其中a为隐含层节点数,b为输入层节点数，c为输出层节点数目，d为1-10之间的调节常数。
3、训练并建立GRNN模型
(1)GRNN神经网络一般由四层组成。第一层为输入层，第二层为模式层，第三层为求和层，第四层为输出层。
输入层：输入层直接将神经网络输入到模式层。
模式层：GRNN模式层神经元的基函数采用距离函数和激活函数采用径向基函数。基函数对输入信号在局部产生响应。
模式层神经元计算过程如下：
1)计算样本与中心的欧式距离
2)用高斯函数计算模式层输出P,p＝[p1....pn]T
求和层：求和层使用神经元计算公式
输出层：输出层的神经元网络等于学习样本中输出向量的维数k。f2t为当x＝xt时的预测值
GRNN神经网络输出值为：
f2＝[f21......f2t]T (10)
(2)GRNN神经网络网络参数选择
GRNN不需要人为确定对模型预测能力产生较大影响的网络结构参数如传递函数和隐层神经元数等，只要确认光滑参数σ。
光滑参数最优值的确定一般使用kflod算法(交叉验证搜索)来确定。
具体算法：在平滑参数的取值范围[σminσmax]中，平滑参数σ以Δσ为步长递增变化。在GRNN网络n个学习样本中，以某一样本ni作为检验样本，利用剩余n-1个样本构建神经网络进行仿真预测；采用上述过程对n个样本均遍历1次，可以得到预测值和样本值之间的误差序列，以均方误差作为评判标准，即
其中
为神经网络预测值，yi为实际值
将最小均方误差所对应σ的值作为最优值。
4、训练并建立ARIMA模型
非平稳序列ARIMA(p,d,q)总可以通过初始值y1、y2、…yd和平稳的ARMA(p,q)序列zt来表示，又由于y1、y2、…yd与yt是相互独立的，所以对zt的预测不受y1、y2、…yd的影响，则有：
若已知yt以及yt以前的时刻的值，则由上式可得ARIMA(p,d,q)序列{yt}的预测模型为：
一旦求出
将其带入上式，即可求出yt+h的预测值。
特别的，令d＝1，预测模型式子可以简化为
令d＝2，预测模型式子可以简化为
具体建模步骤如下
1)对样本进行平稳性检验。若时序是非平稳的，通过变换使其变为平稳序列。平稳化处理一般是对原始数据进行差分，一般情况下1阶差分使数据平稳化，如果差分后数据仍然不平稳，继续差分直到数据平稳，需水量预测中所遇到的非平稳序列问题，通常都是低阶的d＝1或d＝2。
1阶差分
d阶差分
2)确定滞后阶数p和q，本发明借助于BIC准则来确定p、q的值
其中
为对序列拟合的ARMA(p,q)模型的残差；N为观测数量，当BIC取得最小值的p,q组合即为最佳模型
3)残差白噪声检验。对ARIMA(p,d,q)的残差序列进行白噪声检验。若残差序列为白噪声序列，则说明模型有效，否则需重新确定模型。
5、基于误差平方和最小的组合预测
1)计算RBF神经网络模型、GRNN神经网络模型和ARIMA模型的最优权值
y——实际观察值；
f1、f2、f3——RBF、GRNN、ARIMA模型预测值序列；
e1、e2、e3——RBF、GRNN、ARIMA模型预测误差序列；
k1、k2、k3——RBF、GRNN、ARIMA模型的权值；
为了使组合模型保持无偏性，则权值应该满足：
k1+k2+k3＝1
设f＝k1f1+k2f2+k3f3为组合预测值，eit为第i种预测方法在t时刻的预测误差。那么
ei＝[ei1ei2...eit] (17)
et＝ft-yt＝k1e1t+k2e2t+k3e3t (18)
设J为组合预测模型的误差平方和，那么
以误差平方和最小为准则的组合预测模型就变为下列最优化问题：
min J
s.t.k1+k2+k3＝1
设K＝[k1k2k3]T L＝[111]T
其中K为三维权重系数列向量，L为三维列向量。
设
那么该最优化问题可以表示为矩阵形式
minJ＝KTEK
s.t.LTK＝1
根据拉格朗日乘数法，函数在约束条件之下的条件极值点应是方程组的解上述模型的最优解。
K*即为所求的最优权值
2)基于误差和最小组合预测。
误差和最小组合预测模型将预测自变量分为两组，一组为各个模型预测值序列，另一组为待定权值，权值由模型测试求出。
最终得到预测值
f＝k1f1+k2f2+k3f3 (21)
其中k1、k2、k3为各个模型的最优权值，f1、f2、f3为各个模型的预测值序列。6、滚动更新组合预测模型
随着时间推移，既定的组合预测模型可能偏离实际需水量变化，重复步骤1-5，更新各预测模型子项，更新计算权值，获取新近的、优化的组合预测模型。
本发明与现有技术相比，有以下有益结果：该方法将RBF神经网络逼近能力强，全局最优等特点与GRNN神经网络学习速度快，易收敛等特点与ARIMA灵活，适应性强等特点结合,并结合滚动更新策略，使该预测方法能动态适应环境发展变化。
附图说明
图1是本发明方法流程示意图。
图2是某DMA区管网分布图。
具体实施方式
为使本发明实现的技术手段与创作特征易于明白，下面结合附图和实例，对本发明的实施方式进一步详述。
以下结合图1和图2对本发明作进一步说明。
本实例中考虑某DMA区，如图2。该DMA区包含两个入水口、四个出水口，其中入水出水口均有流量测量，通过SCADA系统采集六个流量数据，在经过计算得到DMA区得到需水量数据。得到的需水量采样时间为一小时，即一天有24个需水量数据，使用三天的需水量数据和四天的天气数据(三天天气数据加一天的天气预报数据)预测一天的需水量的方式训练模型并进行预测。
1、建立供水管网需水量数据库
建立供水管网需水量数据库。输入数据包括：各地区测点累计流量、节假日情况、各地区历史天气数据，如日最高气温，日最低情况，日降雨情况，风力等。输出数据包括：需水量预测值，预测时间等。
1)确定训练样本
将SCADA系统中采集到的需水量数据，日最高气温，日最低气温，节假日情况作为训练集。本次实例使用三天的需水量数据和四天的天气数据预测一天的需水量的方式训练模型并进行预测第四天的日需水量。所以输入为三天日需水量数据(72小时数据)和四天天气数据(12个数据)一共84个输入项，输出为第4天需水量数据(24个数据)。
2)数据归一化处理
对输入数据进行归一化处理，一般采用最大—最小标准化方法对数据进行处理
其中：Y为归一化处理后的输入值，L为原始输入值，Lmax、Lmin为神经网络输入量的最大、最小值。该方法将数据归一到[0,1]之间，便于处理。
对应的反归一化算法为
Y＝Lmin+Y(Lmax-Lmin)
2、训练并建立RBF神经网络模型
RBF神经网络隐含层结点数确定
隐含层结点数是通过经验公式得到
其中a为隐含层节点数,b为输入层节点数，c为输出层节点数目，d为1-10之间的调节常数。在本次实例中，b＝84c＝24经过多次试验得到d＝5时，网络训练效果较好。所以本次实例中RBF隐含层节点数为a＝15。
3、训练并建立GRNN神经网络模型
GRNN神经网络平滑参数的确定
在平滑参数的取值范围[σminσmax]中，平滑参数σ以Δσ为步长递增变化。在GRNN网络n个学习样本中，以某一样本ni作为检验样本，利用剩余n-1个样本构建神经网络进行仿真预测；采用上述过程对n个样本均遍历1次，可以得到预测值和样本值之间的误差序列，以均方误差作为评判标准，得到最小均方误差所对应的σ＝0.3
4、训练并建立ARIMA模型
1)对样本进行平稳性检验。经检验，样本为非平稳序列，经过1阶差分后变为平稳序列。
2)确定滞后阶数p和q，本发明借助于BIC准则来确定p、q的值
其中
为对序列拟合的ARMA(p,q)模型的残差；N为观测数量，当BIC取得最小值的p,q组合极为最佳模型。本实例中p＝1,q＝24
3)残差白噪声检验。对ARIMA(1,1,24)的残差序列进行白噪声检验。经过检验，残差为白噪声。可以进行预测
5、基于误差平方和最小的组合预测
评判指标
在需水量预测中评判一个预测模型的优劣一般用平均相对误差Mape来判断，Mape值越低，说明预测误差越小，模型预测效果越好。
其中，Yt是t时刻实际观察值，Yt'为模型在t时刻预测值
1)确定最优权值
y——实际观察值；
f1、f2、f3——RBF、GRNN、ARIMA模型预测值序列；
e1、e2、e3——RBF、GRNN、ARIMA模型预测误差序列；
k1、k2、k3——RBF、GRNN、ARIMA模型的权值；
完成后步骤2、3、4得到RBF、GRNN、ARIMA模型预测值序列f1、f2、f3分别与y作差得到e1、e2、e3误差序列。
得到误差矩阵E。
最优权值为
2)误差和最小组合预测
根据以上步骤得到最终组合预测序列f
f＝0.64×f1-0.2×f2+0.56×f3,
根据Mape计算公式(22)分别计算f1、f2、f3、f的平均相对误差
| 预测模型 | RBF神经网络 | GRNN神经网络 | ARIMA模型 | 组合预测模型 |
| Mape(％) | 7.85％ | 9.98％ | 7.95％ | 6.16％ |
该实例表明,基于误差平方和最小的组合预测能更好地预测城市需水量的变换,其预测误差比单一模型降低了1％—3％，有效地提高了预测的精度。
6、实际使用中，将不断滚动更新此组合预测模型，以适应城市需水量变化规律。
以上对于本发明的具体实施方式的说明并非限定本发明的权利范围。
Claims (4)
1.基于误差平方和最小的城市需水量组合预测方法，其特征在于该方法具体是：
步骤1、建立供水管网需水量数据库
输入数据包括：各地区测点累计流量、节假日情况、各地区历史天气数据；
输出数据包括：需水量预测值，预测时间；
1)确定训练样本
将SCADA系统采集到的需水量数据、天气情况和节假日作为模型训练数据样本集合表示为
χi表示第i组模型输入数据，yi表示第i组模型输出数据；设供水管网系统有p个输入控制变量，r个输出变量；
2)数据归一化处理
步骤2、训练并建立RBF神经网络模型
RBF神经网络由三层组成；第一层为输入层，第二层为隐含层，第三层为输出层；
输入层：输入层直接将神经网络输入到隐含层；
隐含层：隐含层输出为：
其中，x＝[x1.....xn]T为输入向量；ci＝[c1i...cNi]T为第i个非线性变换单元的中心向量，i＝1,2......M,M为输出维数；δi为第i个非线性变换单元格宽度；
输出层：输出层作用是将隐含层的输出线性加权合并；
RBF神经网络输出为：
f1＝[f11......f1t]T
这里，RBF神经网络隐含层结点数通过经验公式得到
其中a为隐含层节点数,b为输入层节点数，c为输出层节点数目，d为1-10之间的调节常数；
步骤3、训练并建立GRNN模型
(1)GRNN神经网络由四层组成；第一层为输入层，第二层为模式层，第三层为求和层，第四层为输出层；
输入层：输入层直接将神经网络输入到模式层；
模式层：GRNN模式层神经元的基函数采用距离函数和激活函数采用径向基函数；基函数对输入信号在局部产生响应；
模式层神经元计算过程如下：
计算样本与中心的欧式距离
用高斯函数计算模式层输出P,p＝[p1....pn]T
求和层：求和层使用神经元计算公式
输出层：输出层的神经元网络等于学习样本中输出向量的维数k；f2t为当x＝xt时的预测值
GRNN神经网络输出值为：
f2＝[f21......f2t]T (10)
(2)GRNN神经网络网络参数选择
其中的光滑参数σ最优值的确定使用kflod算法来确定；
步骤4、训练并建立ARIMA模型
非平稳序列ARIMA(p,d,q)总可以通过初始值y1、y2、…yd和平稳的ARMA(p,q)序列zt来表示，又由于y1、y2、…yd与yt是相互独立的，所以对zt的预测不受y1、y2、…yd的影响，则有：
若已知yt以及yt以前的时刻的值，则由上式可得ARIMA(p,d,q)序列{yt}的预测模型为：
一旦求出
将其带入上式，即可求出yt+h的预测值；
令d＝1，预测模型式子简化为
令d＝2，预测模型式子简化为
具体建模步骤如下
1)对样本进行平稳性检验；若时序是非平稳的，通过变换使其变为平稳序列；
2)确定滞后阶数p和q，借助于BIC准则来确定p、q的值
其中
为对序列拟合的ARMA(p,q)模型的残差；N为观测数量，当BIC取得最小值的p,q组合即为最佳模型；
3)残差白噪声检验：对ARIMA(p,d,q)的残差序列进行白噪声检验；若残差序列为白噪声序列，则说明模型有效，否则需重新确定模型；
步骤5、基于误差平方和最小的组合预测
1)计算RBF神经网络模型、GRNN神经网络模型和ARIMA模型的最优权值
y——实际观察值；
f1、f2、f3——RBF、GRNN、ARIMA模型预测值序列；
e1、e2、e3——RBF、GRNN、ARIMA模型预测误差序列；
k1、k2、k3——RBF、GRNN、ARIMA模型的权值；
为了使组合模型保持无偏性，则权值应该满足：
k1+k2+k3＝1
设f＝k1f1+k2f2+k3f3为组合预测值，eit为第i种预测方法在t时刻的预测误差；那么
ei＝[ei1ei2...eit] (17)
et＝ft-yt＝k1e1t+k2e2t+k3e3t (18)
设J为组合预测模型的误差平方和，那么
以误差平方和最小为准则的组合预测模型就变为下列最优化问题：
min J
s.t.k1+k2+k3＝1
设K＝[k1k2k3]T L＝[111]T
其中K为三维权重系数列向量，L为三维列向量；
设
那么该最优化问题可以表示为矩阵形式
min J＝KTEK
s.t.LTK＝1
根据拉格朗日乘数法，函数在约束条件之下的条件极值点应是方程组的解上述模型的最优解；
K*即为所求的最优权值
2)基于误差和最小组合预测
误差和最小组合预测模型将预测自变量分为两组，一组为各个模型预测值序列，另一组为待定权值，权值由模型测试求出；
最终得到预测值
f＝k1f1+k2f2+k3f3 (21)
其中k1、k2、k3为各个模型的最优权值，f1、f2、f3为各个模型的预测值序列；
步骤6、滚动更新组合预测模型
随着时间推移，既定的组合预测模型可能偏离实际需水量变化，重复步骤1-5，更新各预测模型子项，更新计算权值，获取新近的、优化的组合预测模型。
2.根据权利要求1所述的基于误差平方和最小的城市需水量组合预测方法，其特征在于：步骤1中2)对输入数据进行归一化处理，采用最大—最小标准化方法对数据进行处理：
其中：Y为归一化处理后的输入值，L为原始输入值，Lmax、Lmin为神经网络输入量的最大、最小值；
该方法将数据归一到[0,1]之间，便于处理，其对应的反归一化算法为
Y＝Lmin+Y(Lmax-Lmin) (2)。
3.根据权利要求1所述的基于误差平方和最小的城市需水量组合预测方法，其特征在于：步骤3中的光滑参数σ最优值具体算法：在平滑参数的取值范围[σminσmax]中，平滑参数σ以Δσ为步长递增变化；在GRNN网络n个学习样本中，以某一样本ni作为检验样本，利用剩余n-1个样本构建神经网络进行仿真预测；采用上述过程对n个样本均遍历1次，得到预测值和样本值之间的误差序列，以均方误差作为评判标准，即
其中
为神经网络预测值，yi为实际值
将最小均方误差所对应σ的值作为最优值。
4.根据权利要求1所述的基于误差平方和最小的城市需水量组合预测方法，其特征在于：步骤4中的平稳化处理是对原始数据进行差分，1阶差分能使数据平稳化，如果差分后数据仍然不平稳，继续差分直到数据平稳；
1阶差分
d阶差分
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810927846.8A CN109242265B (zh) | 2018-08-15 | 2018-08-15 | 基于误差平方和最小的城市需水量组合预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810927846.8A CN109242265B (zh) | 2018-08-15 | 2018-08-15 | 基于误差平方和最小的城市需水量组合预测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109242265A CN109242265A (zh) | 2019-01-18 |
| CN109242265B true CN109242265B (zh) | 2022-03-01 |
Family
ID=65071116
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810927846.8A Active CN109242265B (zh) | 2018-08-15 | 2018-08-15 | 基于误差平方和最小的城市需水量组合预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109242265B (zh) |
Families Citing this family (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109961315A (zh) * | 2019-01-29 | 2019-07-02 | 河南中烟工业有限责任公司 | 一种基于非线性组合模型的卷烟月度销量预测方法 |
| CN110182520B (zh) * | 2019-05-29 | 2020-11-17 | 浪潮集团有限公司 | 一种基于融合时序预测模型的钢卷仓储吞吐量的预测方法 |
| CN111832790A (zh) * | 2019-10-28 | 2020-10-27 | 吉林建筑大学 | 一种供水管网预测中长期需水量的方法及系统 |
| CN110956339A (zh) * | 2019-12-17 | 2020-04-03 | 上海威派格智慧水务股份有限公司 | 一种流量预测方法 |
| CN111210093B (zh) * | 2020-03-05 | 2023-05-09 | 重庆森鑫炬科技有限公司 | 基于大数据的日用水量预测方法 |
| CN112780953B (zh) * | 2021-02-08 | 2022-07-12 | 浙江工业大学 | 一种基于模式检测的独立计量区域管网漏损检测方法 |
| CN115223365B (zh) * | 2022-07-15 | 2023-09-29 | 北京市智慧交通发展中心(北京市机动车调控管理事务中心) | 一种基于阻尼Holt模型的路网速度预测及异常识别方法 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2000163394A (ja) * | 1998-11-27 | 2000-06-16 | Toyo Electric Mfg Co Ltd | 配水需要量予測方法 |
| CN102254237A (zh) * | 2011-05-04 | 2011-11-23 | 水利部交通运输部国家能源局南京水利科学研究院 | 区域水资源供需态势预测及动态调控方法 |
| CN103530818A (zh) * | 2013-10-12 | 2014-01-22 | 杭州电子科技大学 | 一种基于brb系统的供水管网建模方法 |
| KR101484265B1 (ko) * | 2014-05-14 | 2015-01-20 | 현대엔지니어링 주식회사 | 아리마모델과 지수평활법을 이용한 물 수요 예측과 이를 통한 급배수 펌프의 운영 최적화 시스템 |
| CN105512832A (zh) * | 2015-12-29 | 2016-04-20 | 杭州电子科技大学 | 基于时变权最小方差的城市需水量组合预测方法 |
| CN106202765A (zh) * | 2016-07-15 | 2016-12-07 | 杭州电子科技大学 | 一种城市供水管网dma实时建模方法 |
| CN107122853A (zh) * | 2017-04-25 | 2017-09-01 | 杭州电子科技大学 | 一种供水管网实时调度系统及方法 |
| CN107886160A (zh) * | 2017-10-25 | 2018-04-06 | 河北工程大学 | 一种bp神经网络区间需水预测方法 |
| CN107977735A (zh) * | 2017-11-15 | 2018-05-01 | 河海大学 | 一种基于深度学习的城市日用水量预测方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6816786B2 (en) * | 2000-04-18 | 2004-11-09 | Devrie S Intriligator | Space weather prediction system and method |
-
2018
- 2018-08-15 CN CN201810927846.8A patent/CN109242265B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2000163394A (ja) * | 1998-11-27 | 2000-06-16 | Toyo Electric Mfg Co Ltd | 配水需要量予測方法 |
| CN102254237A (zh) * | 2011-05-04 | 2011-11-23 | 水利部交通运输部国家能源局南京水利科学研究院 | 区域水资源供需态势预测及动态调控方法 |
| CN103530818A (zh) * | 2013-10-12 | 2014-01-22 | 杭州电子科技大学 | 一种基于brb系统的供水管网建模方法 |
| KR101484265B1 (ko) * | 2014-05-14 | 2015-01-20 | 현대엔지니어링 주식회사 | 아리마모델과 지수평활법을 이용한 물 수요 예측과 이를 통한 급배수 펌프의 운영 최적화 시스템 |
| CN105512832A (zh) * | 2015-12-29 | 2016-04-20 | 杭州电子科技大学 | 基于时变权最小方差的城市需水量组合预测方法 |
| CN106202765A (zh) * | 2016-07-15 | 2016-12-07 | 杭州电子科技大学 | 一种城市供水管网dma实时建模方法 |
| CN107122853A (zh) * | 2017-04-25 | 2017-09-01 | 杭州电子科技大学 | 一种供水管网实时调度系统及方法 |
| CN107886160A (zh) * | 2017-10-25 | 2018-04-06 | 河北工程大学 | 一种bp神经网络区间需水预测方法 |
| CN107977735A (zh) * | 2017-11-15 | 2018-05-01 | 河海大学 | 一种基于深度学习的城市日用水量预测方法 |
Non-Patent Citations (1)
| Title |
|---|
| 城供水DMA短期需水量预测比较研究;何必仕;《杭州电子科技大学学报》;20170331;第37卷(第2期);第51-57页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109242265A (zh) | 2019-01-18 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109242265B (zh) | 基于误差平方和最小的城市需水量组合预测方法 | |
| CN103730006B (zh) | 一种短时交通流量的组合预测方法 | |
| CN101383023B (zh) | 基于样本动态组织与温度补偿的神经网络短期电力负荷预测 | |
| CN111222698A (zh) | 面向物联网的基于长短时记忆网络的积水水位预测方法 | |
| CN111144286A (zh) | 一种融合emd和lstm的城市pm2.5浓度预测方法 | |
| CN113554466B (zh) | 一种短期用电量预测模型构建方法、预测方法和装置 | |
| CN108280998A (zh) | 基于历史数据动态选择的短时交通流预测方法 | |
| CN105956690A (zh) | 一种供水预测方法及系统 | |
| CN112101669B (zh) | 一种基于改进极限学习机与分位数回归的光伏功率区间预测方法 | |
| CN107730031A (zh) | 一种超短期高峰负荷预测方法及其系统 | |
| CN105354620A (zh) | 一种风机发电功率的预测方法 | |
| CN112330027B (zh) | 一种基于搜索引擎指数的电力负荷预测方法 | |
| CN114117852B (zh) | 一种基于有限差分工作域划分的区域热负荷滚动预测方法 | |
| CN114492922A (zh) | 一种中长期发电量预测方法 | |
| CN117977568A (zh) | 基于嵌套lstm和分位数计算的电力负荷预测方法 | |
| CN107293118A (zh) | 一种交通速度动态区间短时预测方法 | |
| CN112990587A (zh) | 一种对台区用电进行精准预测的方法及系统、设备、介质 | |
| CN115310536A (zh) | 基于神经网络和gcn深度学习模型的水库水位预测预警方法 | |
| CN112113146A (zh) | 供水管网管道粗糙系数和节点需水量同步自适应校核方法 | |
| CN115206444A (zh) | 基于fcm-anfis模型的最佳投药量预测方法 | |
| CN114819395A (zh) | 一种基于长短期记忆神经网络和支持向量回归组合模型的行业中长期负荷预测方法 | |
| CN117200223A (zh) | 日前电力负荷预测方法和装置 | |
| Abdelkader et al. | Predicting energy demand peak using M5 model trees | |
| CN116960962A (zh) | 一种跨区域数据融合的中长期区域负荷预测方法 | |
| CN112183878A (zh) | 一种结合知识图谱与神经网络的电力负荷预测方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |