资源描述：
《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》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。
1、第20卷第1期水资源与水工程学报Vol.20No.12009年2月JournalofWaterResources&WaterEngineeringFeb.,2009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12傅春,刘娟(1.南昌大学中国中部经济发展研究中心,江西南昌330047;2.南昌大学建筑工程学院,江西南昌330031)摘要:在城市时用水量预测模型中,灰色模型和BP神经网络模型是两个应用较为广泛的模型,但是它们有着各自的优缺点,预测精度也不相同。本文以南方某市为例,基于两种模型的预测原理,利用MATLAB数学软件对该市的时用水量进行了预测,并对两个预测模型
2、的预测结果进行了误差比较分析,得出了BP神经网络模型是适合该市的时用水量预测模型。关键词:灰色模型;BP网络模型;时用水量;用水量预测中图分类号:TU991.31;TP183文献标识码:A文章编号:16722643X(2009)0120033203ApplicationComparisonofGreyandBPNeuralNetworkModeltoForecastHourUrbanWaterConsumption12FUChun,LIUJuan(1.ChinaCentralEconomicDevelopmentResearchCenter,NanchangUniversity
3、,Nanchang,Jiangxi330047,China;2.CivilEngineeringCollege,NanchangUniversity,Nanchang,Jiangxi330031,China)Abstract:Intheurbanhourlywaterconsumptionforecastingmodel,theapplicationofgraymodelandBPneuralnetworkmodelweremoreextensive,butithadone'sownadvantagesanddisadvan2tages,theforecastaccuracyw
4、asnotthesame.Asanexampleofthesouthencity,basedontheprinci2plesofthegraymodelandBPneuralnetworkmodel,forecastedtheurbanhourlywaterconsumptionandanalyzedbothforcastingerror,andobtainedthattheBPneuralnetworkmodelwassuitabletoforecastthehourlywaterconsumptioninthiscity.Keywords:graymodel;BPmodel
5、;hourwaterconsumption;forecastofwaterconsumption(0)(0)(0)城市时用水量预测是城市供水系统优化调度的{X(1),X(2),⋯,X(n)},通过累加生成新序(1)(1)(1)(1)基础和前提,它的准确度直接影响着优化调度的可列X={X(1),X(2),⋯,X(n)},则GM(1,靠性和实用性,因此城市时用水量预测模型的选择1)模型相应的微分方程为:(1)尤为重要。dX+aX(1)=L(1)dt1灰色系统理论预测原理其中:a称为发展灰数;L称为内生控制灰数。^^a设A为待估参数向量,A=,可利用最小二灰色系统理论把信息完整,数据
6、完整的称为白L乘法求解。解得:色系统,把信息很不确定,数据很少的称为黑色系^T-1TA=(BB)BYn(2)统,把信息部分确定,部分不确定;部分完全,部分不求解微分方程,即可得预测模型:完全;部分已知,部分未知的称为灰色系统。研究灰^(1)(k+1)=[X(0)(1)-L-akL色系统的建模、决策、预测、优化等问题的理论,称为X]e+aa灰色系统理论。用灰色系统理论预测城市用水量,首k=0,1,2,⋯,n(3)先通过对原有数据作累加生成,使其随机性弱化,然2BP神经网络预测法原理后对弱化的数据进行拟合,建立预测模型。(0)(0)设时间序列X有n个观察值,X=BP神经网络模型是神
7、经网络模型中应用最为收稿日期:2008208219;修回日期:2008210206基金项目:江西省教育厅科学技术研究项目资助作者简介:傅春(19662),女(汉族),江西樟树人,教授,博士生导师,研究方向:资源与环境管理。34水资源与水工程学报2009年广泛的模型,BP网络即反向传播网络,它包括输入计算。层、输出层和一层或多层隐层,每层由若干个神经元3.1两种模型的预测结果及精度比较组成。信息通过输入层传递到隐层的神经元上,然后图1为两种模型的预测结果。表1为两种模型的经过各神经元特性为Si
