一、用人工神经网络预测时用水量的方法(英文)（论文文献综述）
张鼎渊[1]（2021）在《基于EEMD-LSTM水质预测方法的研究与应用》文中认为水是人类赖以生存的重要资源,在人类各项生产活动起着重要的作用,同时作为生态环境的基本有机组成部分,是任何其它资源都无法替代的。近些年随着中国经济获得巨大成功,我国工业化水平显着提升,但与此同时地表水所受工业污染也日益严重。水质预测是保护地表水资源的基础性工作,是解决水资源危机的重要手段。水质预测准确反映未来地表水体质量的变化趋势,对于加强水资源保护利用,改善水污染防治现状,推进生态环境修复具有重要的意义。近几年随着深度学习的迅猛发展,基于深度学习的数据建模和预测方法为水质预测提供了一种新的思路。本文为提高水质预测模型的准确度和泛化性,基于太湖流域的实测历史水质数据及气象数据,研究并提出了集成经验模态分解法与长短期记忆神经网络相结合的方法,构建了 EEMD-LSTM水质预测模型。本文主要研究工作分为以下两个方面:研究实现基于EEMD-LSTM多特征水质预测模型。考虑多重因素,本文提出一种基于水质特征和气象特征的多特征水质预测模型,与只考虑单一水质特征的单特征模型相比,提高了水质预测的准确性。同时本文使用EEMD算法将时间序列分解为若干子序列,放大了时间序列数据中的细节,使得子序列的波动程度相比于原序列更加平稳,解决了 LSTM网络存在的预测滞后性问题。设计实现智能水质预测系统。将本文提出的EEMD-LSTM预测模型应用于水质预测系统。系统采用B/S分布式架构设计,使用HTTP协议完成前后端数据通信交互,基于Django框架完成水质预测模型部署工作。最后对系统进行性能测试,测试结果表明水质预测系统的稳定性。
孙磊[2]（2020）在《基于元启发算法的橡胶钢纤维混凝土强度预测》文中研究说明本文研究橡胶钢纤维混凝土强度的预测,随着科研需求的提高,传统的预测方法在准确度和批量处理上不能满足现实的需要,所以神经网络应用越来越广。但是单一的BP神经网络因其随机产生的初始阈值和权值,易导致运算效率低以及出现局部最优解等问题。故本文采用一种新的元启发算法——粒子群（PSO）优化算法对BP神经网络进行优化,得到全局最优的初始权值和阈值,再进行BP神经网络的训练和强度预测。通过对50组标准立方体试件进行测试,得到了如下结论:1.钢纤维掺量0.75%以内,钢纤维可以提高混凝土抗压强度,但是钢纤维掺量继续增加,抗压强度增加不明显。橡胶颗粒的掺入导致混凝土强度有较大的下降。2.工作性方面,橡胶颗粒对混凝土的流动性影响不大,但是会使混凝土黏聚性和保水性有所下降。钢纤维会显着降低拌合物的和易性。3.分析表明PSO-BP神经网络最大相对误差为0.20421,平均相对误差为0.077849。单一 BP神经网络最大相对误差为0.27797,平均相对误差为0.13857。数据拟合方面PSO-BP神经网络有4%的优势。综上所述,PSO-BP神经网络预测橡胶钢纤维混凝土强度有较好的效果。
叶桂旗[3]（2020）在《基于人工电场算法的城市供水泵站优化调度研究》文中指出在城市供水系统中,泵站是整个系统正常运转的枢纽,也是主要的耗能单元。目前我国大多数供水泵站仍采用人工经验的调度模式,不合理的运行方式不仅造成较大的能源浪费,可能还会导致管网漏水、爆管等问题。因此,为了降低泵站能源消耗,减少管网事故,泵站的优化调度研究是十分有必要的。本文围绕泵站优化运行的目标,以M市供水区域为研究对象,进行了城市用水量预测、供水管网水力模型分析和泵站优化调度研究。主要工作如下:1.建立基于BP神经网络的用水量预测模型,以过去24小时的用水量数据为输入变量,未来一小时的用水量为预测目标。此外,鉴于BP神经网络易陷入局部极值、初始权值和阈值随机性强等缺陷,充分利用人工电场算法（AEFA）全局搜索能力强的特点,引入AEFA算法优化BP神经网络的初始权值与阈值,构建AEFA-BP用水量预测模型。较之单一BP神经网络,AEFA-BP组合模型在大部分时段的预测误差控制在3%以内,预测精度得到提高。2.供水管网水力模型分为微观模型和宏观模型,通过分析两者的原理、适用条件及应用范围,可知宏观模型建模简便,运算速度快,更适用于供水系统的实时优化调度,故以泵站的供水压力为预测目标,建立基于BP神经网络的供水管网宏观模型。通过实例检验,全部时段下的预测误差都低于4%,模拟结果能为优化调度提供数据支持。3.泵站优化调度作为本文的研究目的,建立了以水泵机组能耗最小为目标函数,以单泵供水能力、泵站供水量和压力、变频泵调速比为约束条件的数学模型。针对大多数泵站优化调度研究仅考虑水泵的消耗功率,而忽略了变频器和电机损耗对优化结果的影响,进而建立计及变频器和电机损耗的泵站优化调度模型。根据城市的用水量及供水压力变化规律,把一个调度周期（通常为24小时）划分为6个时段。最后该数学模型使用寻优能力较强的AEFA算法求解,各时段得到的优化调度方案能够有效降低水泵机组能耗。
马哲海[4]（2020）在《校园水资源使用预测及最优调度研究》文中研究表明随着经济水平的飞速发展以及人们生活水平的日益改善,资源的消耗也在逐渐加剧,而资源的总量是有限的,也导致了各种资源分配的问题,其中水资源的矛盾是这些问题中尤为突出的问题。水资源分布不均匀、各地区对水资源需求不同等因素造成目前各地区的水资源供求矛盾日益凸显,因此水资源的合理分配利用就显得尤为重要。为了缓解这些矛盾,满足人们对用水的需求,就需要对供水进行合理的规划设计。而在供水网的系统中,供水量应当是根据人们的水需求量而定,因此应对人们的用水量作出准确高效的预测并对水资源的使用分配进行合理调度。正确的预测和高效的分配有助于供水、利用水、节水,也有助于合理规划,推动水网系统的有效运用。本文提出结合小波分解的稀疏深度置信网络区间预测水需求量的方法,根据历史的用水数据来预测未来一段时间的水需求量。而大部分的水需求预测方法一般直接对水需求量进行预测,但其实水需求量也是具有一定的规律性,发现并挖掘出这些规律对其预测具有极大的帮助。因此,本文利用小波变换将用水量数据进行分解,得到其隐藏的周期项、趋势项及随机项,使得预测过程更加直观,对模型的预测训练也更加高效,同时对于校园内的日常用水变动范围也有很精确的预测,其精度能达到95%以上,能够为后续水资源的优化调度提供可靠依据。具体来说,首先提出了水需求量预测的方法,介绍了经典的水需求预测方法及存在的相关问题,然后为克服这些缺点,提出了结合小波分解的稀疏深度置信网络,对水需求量进行分解,利用置信水平进行区间预测,同时也与以往经典的水需求预测方法进行了比较。对最终的预测结果进行分析可得,需水量预测值曲线与实际用水量数据基本拟合,同时相对误差平均值也被控制在2%以内,最大误差仅为4.2%,可以看出,我们提出的方法对于用水量的预测较为准确,也不会出现较大的偏差。随后,在准确的水需求量预测的基础上进行用水调度,首先建立水资源调度的数学模型,确定了人口目标、水环境目标等综合性函数为目标函数,以供水量、水需求量、用水费用等的限制作为模型约束条件,利用提出的双并行遗传算法来优化得到供水泵的参数,实现对用水的优化调度。这种算法优化得到的水资源分配方法不仅能满足教师和学生日常的用水需求,还能实现对有限水资源的合理分配,减小供水压力,满足更多人的用水需求。通过优化得到的水资源的分配方法,与传统的用水方法相比,不再一味满足人们对于水量的单一需求,反而考虑更加广泛,既能满足当前需要,也能使有限水资源产生更多价值,也能够避免由于供水充足而引起人们对水资源的不重视和浪费水资源的问题。另外,通过在管道中安装节水装置,在利用双并行遗传优化算法进行优化用水配置后进一步实现水资源的优化利用。最后经过校园真实用水数据表明,这种结合小波分解的稀疏深度置信网络校园需水预测及双并行遗传优化算法的用水分配方法对于水资源的分配是准确且可靠的,为水资源的有效利用提供了有利的技术支持。
耿正峥[5]（2019）在《人工神经网络在节水灌溉中的应用研究》文中研究说明我国目前正处于传统农业向现代农业转型的关键时期,信息化、智能化的农业受到越来越多的关注与重视。与此同时,我国农业专家与学者在节水灌溉中取得了大量的研究成果,如何将成果具体应用到实际的农业生产中,应作为目前考虑的重点。人工神经网络对数据存储与记忆中的特点能够很好的拟合样本输入与输出的关系,因此可以考虑将节水灌溉工程中已有的研究成果转变为样本数据,通过对样本数据的训练建立人工神经网络模型,用这些带有专家知识的人工神经网络模型代替有限的专家,帮助农民解问题。对于农民在节水灌溉中经常遇到的问题,比如:井灌区农用井泵出现故障时,如何寻找故障原因;在灌溉过程中,如何选择节水灌溉形式;当确定了灌溉和施肥方案时,如何预测产量的问题。针对这些问题把搜集到的专家知识以及课题组所拥有的科研成果形成样本数据,利用人工神经网络分别对不同的样本进行训练形成了针对不同问题的神经网络模型,并通过实例验证了这种解决问题的方式的可行性。主要研究成果如下:（1）分析了灌溉中水源处井泵故障的问题以及对应的故障原因,将具有模糊性的故障问题用隶属度函数值定量描述,并用二进制数表示故障原因,以问题与原因的这种对应关系作为输入和输出来训练神经网络,用测试样本对训练的神经网络进行检验,结果与期望输出一致。（2）分析了如何根据限制因素选择节水灌溉形式,不同的条件选择不同的节水灌溉形式,以此为基础确定学习样本的原始数据,并将输入数据归一化处理,输出数据用二进制数表示。用人工神经网络训练处理后的数据,训练后的实际输出与期望输出相差较小,数值上基本吻合,满足对节水灌溉形式优选的要求。（3）分析了某试验站的冬小麦水肥-产量之间的关系,将水肥、产量的原始数据归一化处理后,作为人工神经网络的输入和输出,训练的神经网络模型对测试样本进行预测,预测结果反归一化后得到的预测产量与实际产量的均方误差为3.55%,满足对产量预测的精度要求。
吴佳懋[6]（2019）在《农村给水工程需水量预测研究 ——以保亭县为例》文中指出水是人类生存的基本条件,水对我们的生命起着重要的作用。由于水资源在城镇和农村供给的不均匀性,农村供水工程建设规划的不科学性,农村饮水质量的不重视性以及农村给水管理的不合理性等,已给全国很多地区带来水资源的供给问题。在这样的时代背景下,城乡供水一体化孕育而生。在城乡供水一体化的推动下,城乡水资源将逐渐得到优化配置。农村的需水量科学且合理的预测是城乡水资源优化配置的基础和前提。本文主要研究的问题是针对城乡供水一体化进程中数据缺失条件下的农村给水工程需水量预测问题,旨在解决城乡供水系统新建或扩建中的规模确定问题。文章提出了基于用户相关性的多重填补对原始数据中小部分缺失数据进行填补,弥补了单一均值填补在离散程度较高的时间序列中准确性低的问题。在完成数据预处理后,采用模糊C均值聚类对农村进行分类。在文献分析、官方数据分析和数据分析提取的影响因子基础上,将主成因分析法综合出的新成分加入影响因子组,针对每一类的农村运用Pearson相关性分析对影响因子进行降维得到关键影响因素。最后分别将各类用水数据和关键影响因子导入Elman神经网络进行预测并应用粗糙集理论对Elman神经网络的预测结果进行修正。此模型不仅具有很好的拟合性,而且较稳定,所以能够对数据缺失下的农村给水工程需水量研究提供新的思路。文章以海南省保亭县保城镇周边16个村落为例,将2010-2016年各村用水量作为训练数据,对2017年各村用水量进行预测。在预测结果显示,未进行填补的数据、只进行单一均值填补的数据和多重填补的数据分别应用粗糙集-模糊C均值聚类Elman神经网络进行预测,相比前两者,后者的MAPE分别减少了 0.099和0.058,证明了数据填补的有效性;再将多重填补的数据分别应用粗糙集-模糊C均值聚类Elman神经网络和Elman神经网络预测,结果前者MAPE减少了 0.163,验证了算法的优越性。
周雅爽[7]（2019）在《基于WRF区域气候模式的粤港澳大湾区资源利用研究》文中研究表明二十世纪以来,全球气候变化受到越来越多人的重视,主要表现为气候变暖。基于此,国内外众多学者做了大量研究并取得了一系列的成果。本文在这些研究成果的基础上,以粤港澳大湾区气候与资源利用为研究对象,利用WRF模式对区域气候进行数值模拟,另外研究了气象因子对资源利用的影响,并在其影响下对资源利用指标进行预测,与单一历史数据预测结果进行对比,弥补了当前相关研究中存在的不足。经过对近几十年来粤港澳大湾区气候现状分析,发现粤港澳各区域气候变化与全球气候变化具有同步性,这种气候变化对城市资源利用有显着影响。本文选取了平均温度、平均风速、平均相对湿度、光照时数等气候指标,选取了用电量、用水量、能源消费总量等能源资源利用指标进行分析。分析结果显示,气候变化对资源利用有较为显着的影响,利用相关气象因子对资源利用指标进行预测会使预测精度有所提高。此研究为国家有关部门的能源资源的调度提供参考,在实际生产和生活中有一定的现实意义。本文首先研究粤港澳大湾区气候及资源利用现状,并利用WRF区域气候模式对区域部分气象因子进行模拟;然后选取资源利用及气象指标,并通过平稳性检验、协整性检验及格兰杰因果分析研究粤港澳大湾区主要城市资源利用及气象因子之间的协整及因果关系;接着运用机器学习中的模型算法对资源利用指标进行分析和预测,对单一资源利用历史数据预测结果与加入气象因子的预测结果进行对比;最后设计并实现气候与资源利用分析系统,将以上研究成果可视化展示。
王文佳[8]（2018）在《基于“节水优先”的上海市用水量变化趋势分析及预测》文中研究说明“节水优先”是习近平总书记提出的新时期我国水资源管理工作的根本方针。本文分析了“节水优先”水资源节约理论的背景、特点及其对水资源管理提出的具体要求,并以上海市为例,分析了农业、工业、城镇公共和居民生活四类用水量的历史变化过程与规律,在“节水优先”理念指导下,对未来用水量进行了预测,为进一步落实“节水优先”工作提供建议。本文分析认为,“节水优先”是具有中国特色的水资源管理宏观政策方针,是解决城市发展和水资源短缺矛盾的必然要求,是水资源管理制度建设过程中符合中国现阶段实际发展状况的具有可行性的政策方针。与传统节水理论相比,“节水优先”理论有4个特点:1)强调取供用排的全过程节水,2)注重提高用水效率与节水效率,3)确立了未来的用水总量生态红线,4)表明了主动与水资源水环境承载力相适应的积极节制态度。对上海市用水量变化情况结合具体水资源管理工作进行分析的结果表明,2007年至2016年间上海市用水总量几乎没有出现增长,农业用水量较为稳定,工业用水量持续下降,城镇公共用水量和居民生活用水量持续增长,用水结构发生显着变化。这体现了过去多年上海水资源管理工作的成效,包括水务一体化的建设、最严格水资源管理制度的实施、节水型社会的建设。使上海市在经济发展迈入新阶段的同时,水资源开发利用和管理也进入一个新的时期,较好的体现了“节水优先”理念,故对其进行深入案例研究是有意义的。本文认为应该用“节水优先”的理论和方法来指导今后的水资源管理工作。故在对未来上海市用水量做出定性预测的基础上,基于上海市2035年要建设卓越的全球城市的规划目标,特别是其中的限制指标,对上海市农业用水量、工业用水量、城镇公共用水量和居民生活用水量进行了定量预测。选择了因子分子中主成分分析法来筛选用水量关键影响因子,采用GM（1,1）灰色理论模型进行关键因子的预测,进而通过径向基函数（RBF）神经网络模型和多层次感知器（MLP）神经网络模型对上海市2017年至2035年的各类用水量进行了预测。结果表明:近10年来上海市用水总量不再增长的趋势在未来仍将延续。2017年至2035年农业用水量有小幅下降,年均下降率为1.56%;工业用水量有小幅增长,年均增长率为0.30%;城镇公共用水量与居民生活用水量基本保持不变;用水总量以年均下降率0.09%的速度持续下降。本文预测2020年与2035年上海市用水总量分别为81.50亿立方米、80.52亿立方米,万元GDP用水量分别为23.26立方米、10.48立方米,万元工业增加值用水量分别为50.76立方米、37.77立方米。本文的预测方法合理可靠,虽不完美,但在现有数据条件下可操作性强,模型精度符合要求,模型输出数据的相对误差较小,所以本文计算得到的预测数据和分析结论具有一定的理论参考价值和实际应用意义。本文认为城市用水总量保持相对稳定的同时,各类用水量会受社会发展影响发生差异化增长或削减,政府需要对各类用水量进行分类控制和管理,依据城市规划定位调整各领域用水比例,实现“节水优先”前提下的水资源优化配置,让城市发展主动适应自然环境承载力。基于以上研究,对各领域落实“节水优先”分别提出了改革农业灌溉水价、修订用水定额标准、建设水资源梯级利用体系、推广节水合同管理模式、落实全民节水行动计划等措施建议。本文得到了水利部太湖流域管理局2015年和2016年度“上海市用水总量与用水效率考核初步技术复核”项目、上海市水务局2017年度“落实最严格水资源管理制度开展各区年度用水总量与用水效率考核技术复核”项目与教育部哲学社会科学研究重大课题攻关项目“节水型社会建设研究”的支持。
唐鹏飞[9]（2017）在《基于混合智能算法的城市需水量预测研究》文中认为对于城市基础设施来讲,供水系统是其中不可缺少的部分。设计合理、运行可靠的城市供水系统对于保证居民身体健康、维持城市正常运转、促进社会经济持续发展等具有积极作用。随着社会经济的快速稳定发展,城镇居民生活水平相应提高,所以人均用水量和城市需水量呈上升趋势;与此同时,为了适应城市化水平的提高和城市功能的不断完善,城市供水系统的复杂度不断增加。综上,为了使得供水系统的设计、优化调度有准确的数据依据,同时提高水资源利用效率,进行科学准确地城市供水量预测至关重要。准确的城市日需水量预测是供水系统运行调度的科学合理的依据,可以提高制水单位的生产效率,减少其生产成本。准确的城市年需水量预测可以为城市给水规划提供数据基础,决定城市供水系统建设成本,指导城市供水规划的近期、远期建设。综上所述,论文主要研究城市日需水量预测模型和城市年需水量预测模型,同时采用实测城市日用水量数据和城市年用水量数据对文中建立的水量预测模型进行实例分析和验证。（1）对于城市日需水量预测,论文提出了两种预测方法:①基于多分辨BP网络预测模型。通过离散小波变换将日供水量序列的复杂特性转化为不同尺度下的单一特性,并分别进行BP网络预测。城市日供水量时间序列具有混沌特征,时间序列进行相空间重构,网络输入为重构后的数据。实例验证表明对比BP神经网络预测模型,多分辨BP神经网络预测模型能更充分地表达数据的细节部分和突变部分,从而提高预测精度,平均绝对百分比误差为1.481%,故该预测模型具有适用性。②基于混合蛙跳算法（SFLA）优化的SVM预测模型。首先,相空间重构后的城市日用水量时间序列作为模型的输入,与此同时使用SFLA优化SVM建模过程中的关键参数,利用参数优化后的SVM进行预测。实例分析中分别利用混合蛙跳算法优化的支持向量机、遗传算法优化的支持向量机和粒子群算法优化的支持向量机对实际用水量进行预测分析,结果表明前者预测精度更高,具有实用性。（2）城市年需水量样本数据较少,因此论文基于灰色理论进行研究:①在GM（1,1）模型原理和特点基础上,分析归纳出了基于GM（1,1）模型的年需水量预测建模步骤,并以19972011年C市用水量为样本,实例说明了模型构建过程。②对于未受外界影响的稳定用水系统,提出GM（1,1）模型初始值和背景值优化的数学模型,以此提高GM（1,1）模型在年需水量预测中的预测精度,并采用SFLA求解该最优化问题,构建了基于SFLA-GM（1,1）的城市年需水量预测模型,以19972011年C市用水量验证模型预测性能。（3）对于受到冲击扰动的用水系统,将变权缓冲算子应用于冲击扰动数据序列,使得扰动因素作用到突变时间点以前,并以SFLA定量优化变权重λ,对缓冲算子处理后的序列建立优化GM（1,1）预测模型,实例分析表明基于缓冲算子的SFLA-GM（1,1）模型的预测精度有大幅提升。
白云[10]（2014）在《时间序列特性驱动的供水量预测方法研究及应用》文中研究指明随着城市化进程的推进和社会经济的快速发展，人民生活水平的不断提高，使城市自来水公司的供水系统的规模迅速扩大，从而导致了企业的供水系统调度复杂性的逐年提高。这一现象给传统调度方式带来了前所未有的挑战。而供水量预测作为企业供水系统调度工作的基础和前提，一直是城市供水企业和运行管理部门最为棘手的问题之一。通过供水量预测，既可以为供水系统科学调度提供数据依据，又可以提高水资源利用效率，改善城市生态环境，促进社会和谐健康发展。日供水量的预测可以保证用户在不同时间对水量和水压的要求，同时也能提高水厂的生产效率，减少生产成本，从而提高供水服务质量。月供水量的预测可以平衡水源与各水厂的供给量，提高区域调度能力，减少水资源的浪费。因此，作者从日、月供水量预测两个方面，以重庆市主城和周边区县三种不同规模自来水厂正常工况下供水时间序列为研究对象，对其进行了深入的研究。主要研究结果如下：①分析了各供水量时间序列的可预测性。通过定性（功率谱）和定量（最大李雅普诺夫指数）分析可知，日、月供水量时间序列均存在明显的混沌特性，说明供水量时间序列具有可预测性。②利用Matlab数值分析软件，分别采用传统预测模型（整合自回归移动平均模型（ARIMA））和基于新技术的预测模型（反向传播神经网络模型（BPNN）、模糊神经网络模型（ANFIS）和最小二乘支持向量机回归模型（LSSVR））对日、月供水量进行了预测研究。其中，BPNN、ANFIS和LSSVR三种模型的输入-输出结构由其混沌特性所决定的相空间重构的结构决定。预测结果表明，在这四种预测模型中，基于新技术的预测模型具有相对较好的预测效果，其中LSSVR在日供水量预测方面的拟合性最好，而在月供水量预测方面较差。所以，在以下的日供水量预测研究中，将LSSVR作为回归预测模型进行研究。③日供水量序列局部存在特性差异性，同时考虑到大数据量时间序列全局建模速度慢，更新计算代价高，所以，作者利用局部建模方法，提出一种基于多尺度二乘支持向量回归的预测模型（MS-LSSVR）。通过静态小波分解将非平稳的供水量时间序列分解为不同尺度的平稳时间序列，然后在分解后的各子序列上分别建立LSSVR模型进行预测，最后通过小波逆变换将各子序列预测结果整合得出原始用水量时间序列的预测值。实例分析表明，利用MS-LSSVR预测日供水量的效果较单一LSSVR模型有显着提高，其中平均绝对误差（MAE）分别提高了1889.838m3/d，827.722m3/d，153.729m3/d；平均绝对百分比误差（MAPE）分别提高了0.919%，1.262%，1.576%；标准相对均方根误差（NRMSE）分别提高了0.0116，0.0162，0.0174。④考虑到日供水量的时变性，模型精度会随这种时变性降低，模型结构退化，所以，作者提出一种基于变结构最小二乘支持向量回归（VS-LSSVR）的动态预测模型。利用日用水量的历史数据训练LSSVR模型，得到模型结构参数历史数据序列，然后利用数据同化方法——扩展卡尔曼滤波器（EKF）对模型结构参数组进行估计，最后用模型结构参数估计量来更新模型结构并预测下一天日用水量。通过这种方式，实现预测模型结构的动态更新。实例分析表明，VS-LSSVR模型克服了模型精度随时间变化降低的缺点，在损失了部分运算时间的基础上，提高了模型动态预测能力。与单一LSSVR模型相比，MAE分别提高了1966.866m3/d，1379.634m3/d，177.905m3/d；MAPE分别提高了1.462%，2.173%，1.780%；NRMSE分别提高了0.0197，0.0253，0.0189。⑤月供水量时间序列具有更加明显的周期性和趋势性，不同的时间序列特性决定了采用相应预测模型才能够得到较为理想的预测精度。所以，作者采用时间序列加法模型对月供水量进行预测。首先，通过集成经验模态分解技术对月供水量时间序列进行模式分解和特性提取，根据不同的时频分析结果构造序列的周期项、趋势项和随机项。然后，选择合适的预测模型对相应特性进行预测。依据四种方法对比结果，ANFIS建模较复杂，具有较强的随机性预测能力，ARIMA对线性、平稳序列的趋势性具有较强的拟合能力，而LSSVR的非线性映射能力使其对时间序列的周期性具有较强的跟踪能力。所以子模型的选择为ARIMA、LSSVR和ANFIS分别预测月供水量的趋势项、周期项和随机项。实例分析表明，所提出的预测模型综合了不同模型对于不同变化规律的适应性和追踪性，可以提高特性预测能力，从而通过加法模型整合提高了整体预测精度。与四种单一模型相比，MAE提高了6388.546m3/d8759.052m3/d，MAPE提高了1.929%2.525%，NRMSE提高了0.01950.0307。
二、用人工神经网络预测时用水量的方法(英文)（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、用人工神经网络预测时用水量的方法(英文)（论文提纲范文）
（1）基于EEMD-LSTM水质预测方法的研究与应用（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 研究背景与意义 |
| 1.2 国内外研究现状 |
| 1.2.1 机理性水质预测现状 |
| 1.2.2 非机理性水质预测现状 |
| 1.3 研究内容 |
| 1.4 论文结构安排 |
| 第2章 水质预测相关理论基础 |
| 2.1 水质相关概述 |
| 2.1.1 水质变化特点 |
| 2.1.2 水质评价标准 |
| 2.2 经验模态分解方法 |
| 2.2.1 EMD方法 |
| 2.2.2 EEMD方法 |
| 2.3 深度学习与神经网络基础 |
| 2.3.1 循环神经网络 |
| 2.3.2 长短期记忆神经网络 |
| 2.4 本章小结 |
| 第3章 EEMD-LSTM水质预测模型 |
| 3.1 EEMD-LSTM算法框架 |
| 3.2 EEMD方法处理 |
| 3.3 LSTM模型搭建 |
| 3.4 EEMD-LSTM算法描述 |
| 3.5 本章小结 |
| 第4章 实验验证与结果分析 |
| 4.1 实验环境 |
| 4.2 实验数据 |
| 4.2.1 水质数据 |
| 4.2.2 气象数据 |
| 4.3 评价指标 |
| 4.4 实验过程 |
| 4.4.1 数据预处理 |
| 4.4.2 描述性统计分析 |
| 4.4.3 数据平稳性分析 |
| 4.4.4 特征选取 |
| 4.4.5 模型建立 |
| 4.4.6 实验参数设置 |
| 4.5 实验结果与分析 |
| 4.6 本章小结 |
| 第5章 水质预测系统的研究与实现 |
| 5.1 系统需求分析 |
| 5.2 系统框架概述 |
| 5.3 系统开发环境 |
| 5.4 系统数据库设计 |
| 5.5 系统功能模块实现 |
| 5.5.1 系统用户模块 |
| 5.5.2 数据管理模块 |
| 5.5.3 水质预测模块 |
| 5.5.4 预测模型管理模块 |
| 5.6 系统性能测试 |
| 5.7 本章小结 |
| 第6章 结束语 |
| 6.1 主要工作与贡献 |
| 6.2 未来工作展望 |
| 参考文献 |
| 致谢 |
| 在读期间发表的学术论文与取得的研究成果 |
（2）基于元启发算法的橡胶钢纤维混凝土强度预测（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 课题的研究背景及意义 |
| 1.2 课题的研究现状 |
| 1.2.1 橡胶钢纤维混凝土的研究现状 |
| 1.2.2 人工神经网络预测混凝土的研究现状 |
| 1.3 主要研究内容 |
| 2 橡胶钢纤维混凝土的相关试验 |
| 2.1 试验所用材料、仪器及试验方法 |
| 2.1.1 试验材料 |
| 2.1.2 主要的试验仪器 |
| 2.1.3 橡胶钢纤维混凝土配合比 |
| 2.1.4 标准试件的制备 |
| 2.1.5 橡胶钢纤维混凝土抗压强度试验 |
| 2.1.6 试验数据的处理 |
| 2.2 橡胶钢纤维混凝土立方体抗压强度试验结果 |
| 2.3 本章小结 |
| 3 BP神经网络和粒子群优化算法基本理论 |
| 3.1 BP神经网络 |
| 3.1.1 BP神经网络的基本结构 |
| 3.1.2 BP神经网络的算法及步骤 |
| 3.1.3 MATLAB2018实现BP神经网络 |
| 3.1.4 BP神经网络的不足 |
| 3.2 粒子群(PSO)优化算法 |
| 3.2.1 粒子群(PSO)优化算法的基本原理 |
| 3.2.2 粒子群(PSO)优化算法的步骤 |
| 3.2.3 粒子群(PSO)优化算法的流程图 |
| 3.3 本章小结 |
| 4 橡胶钢纤维混凝土PSO-BP神经网络强度预测模型 |
| 4.1 PSO-BP神经网络模型的基本原理 |
| 4.2 PSO-BP神经网络模型的设计 |
| 4.3 橡胶钢纤维混凝土PSO算法的编码策略和初始值的设定 |
| 4.3.1 粒子群算法的编码策略 |
| 4.3.2 PSO优化算法初始值的设定 |
| 4.4 本章小结 |
| 5 橡胶钢纤维混凝土强度预测 |
| 5.1 PSO-BP神经网络训练、验证以及强度预测 |
| 5.1.1 BP神经网络的建立 |
| 5.1.2 PSO算法优化BP神经网络 |
| 5.1.3 优化后的BP神经网络训练 |
| 5.1.4 优化后的BP神经网络预测橡胶钢纤维混凝土强度 |
| 5.2 单一BP神经网络的训练验证及预测 |
| 5.3 结果对比分析 |
| 5.4 本章小结 |
| 6 结论 |
| 7 展望 |
| 致谢 |
| 参考文献 |
| 作者简介 |
（3）基于人工电场算法的城市供水泵站优化调度研究（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.1.1 课题的提出 |
| 1.1.2 课题研究的意义 |
| 1.2 国内外研究现状 |
| 1.2.1 用水量预测研究 |
| 1.2.2 供水管网模型研究 |
| 1.2.3 泵站优化调度研究 |
| 1.3 研究内容及技术路线 |
| 1.3.1 研究内容 |
| 1.3.2 技术路线 |
| 第二章 BP神经网络与人工电场算法 |
| 2.1 BP神经网络 |
| 2.1.1 BP神经网络的原理 |
| 2.1.2 BP神经网络的数学描述 |
| 2.1.3 BP神经网络的特点 |
| 2.2 人工电场算法 |
| 2.2.1 库仑定律 |
| 2.2.2 人工电场算法的数学模型 |
| 2.2.3 人工电场算法的实现 |
| 2.2.4 人工电场算法的性能 |
| 2.3 本章小结 |
| 第三章 城市用水量预测 |
| 3.1 常用的用水量预测方法 |
| 3.1.1 时间序列分析法 |
| 3.1.2 回归分析法 |
| 3.1.3 系统分析法 |
| 3.2 用水量预测工程实例 |
| 3.2.1 BP神经网络用水量预测模型 |
| 3.2.2 AEFA-BP用水量预测模型 |
| 3.3 本章小结 |
| 第四章 城市供水管网水力模型分析 |
| 4.1 水力模型 |
| 4.1.1 微观模型 |
| 4.1.2 宏观模型 |
| 4.2 供水管网水力模型工程实例 |
| 4.2.1 模型的建立 |
| 4.2.2 模型的求解 |
| 4.3 本章小结 |
| 第五章 城市供水泵站优化调度研究 |
| 5.1 水泵特性曲线拟合 |
| 5.2 水泵运行工况分析 |
| 5.3 优化调度数学模型 |
| 5.3.1 目标函数 |
| 5.3.2 约束条件 |
| 5.3.3 约束条件的处理 |
| 5.4 优化调度工程实例 |
| 5.4.1 分时段优化调度模型 |
| 5.4.2 优化调度模型的求解 |
| 5.5 本章小结 |
| 结论与展望 |
| 结论 |
| 展望 |
| 参考文献 |
| 攻读学位期间取得的研究成果 |
| 致谢 |
（4）校园水资源使用预测及最优调度研究（论文提纲范文）
| 中文摘要 |
| Abstract |
| 第1章 引言 |
| 1.1 选题背景 |
| 1.2 选题意义 |
| 1.3 国内外研究动态 |
| 1.3.1 国内外水资源预测研究动态 |
| 1.3.2 国内外水资源调度研究动态 |
| 1.4 本文的创新点 |
| 1.4.1 水需求量预测的方法 |
| 1.4.2 水资源分配方法 |
| 1.5 研究内容 |
| 1.6 本章小结 |
| 第2章 学校供水网 |
| 2.1 学校供水网架构 |
| 2.2 技术路径图 |
| 2.3 本章小结 |
| 第3章 学校用水需求预测 |
| 3.1 数据预处理 |
| 3.1.1 异常值数据的处理 |
| 3.1.2 空缺值数据的处理 |
| 3.2 用水样本数据的聚类分析 |
| 3.3 水需求预测区间 |
| 3.4 相似状态 |
| 3.5 结合小波分解的深度置信网络 |
| 3.5.1 Symlets小波模型 |
| 3.5.1.1 连续小波变换 |
| 3.5.1.2 离散小波变换 |
| 3.5.1.3 Symlets小波 |
| 3.5.2 深度置信网络 |
| 3.5.3 稀疏深度置信网络 |
| 3.5.4 调整学习率 |
| 3.5.5 网络参数设置 |
| 3.5.6 结合小波的稀疏深度置信网络架构 |
| 3.6 校园用水区域预测结果 |
| 3.6.1 显示区间预测结果 |
| 3.6.2 水需求预测区间置信水平 |
| 3.6.3 区间上限和区间下限 |
| 3.6.4 区间中值结果 |
| 3.6.5 区间中值纠错结果 |
| 3.7 深度置信网络预测与传统BP预测的比较 |
| 3.8 本章小结 |
| 第4章 校园水资源优化调度模型 |
| 4.1 调度模型参数预处理 |
| 4.1.1 人口目标 |
| 4.1.2 水环境目标 |
| 4.1.3 供水条件限制 |
| 4.1.4 需水量的条件限制 |
| 4.1.5 水费条件限制 |
| 4.2 校园水泵的出口节流方法 |
| 4.3 引入节流装置 |
| 4.4 水资源分配模型的双并行遗传优化算法 |
| 4.4.1 编码功能 |
| 4.4.2 确定适应度函数 |
| 4.4.3 选择遗传算法参数 |
| 4.4.4 遗传算法的计算步骤 |
| 4.5 校园水资源优化事例研究 |
| 4.5.1 拥有不同遗传迭代次数的校园日常水消费的调度结果 |
| 4.5.2 是否引入节流装置校园用水量的调度结果比较 |
| 4.6 本章小结 |
| 第5章 结论 |
| 参考文献 |
| 后记 |
（5）人工神经网络在节水灌溉中的应用研究（论文提纲范文）
| 摘要 |
| abstract |
| 1 引言 |
| 1.1 研究背景和意义 |
| 1.2 国内外研究现状 |
| 1.2.1 人工智能及人工神经网络的发展概况 |
| 1.2.2 人工神经网络在节水灌溉中的应用概况 |
| 1.2.3 节水灌溉工程发展状况及其存在的问题 |
| 1.3 主要研究内容及技术路线 |
| 1.3.1 研究内容 |
| 1.3.2 技术路线 |
| 2 人工神经网络及其在节水灌溉中的模型构建 |
| 2.1 人工神经网络模型 |
| 2.1.1 人工神经网络结构 |
| 2.1.2 人工神经网络的学习方式 |
| 2.1.3 人工神经网络的学习规则 |
| 2.1.4 MATLAB神经网络工具箱介绍 |
| 2.2 BP神经网络 |
| 2.2.1 BP神经网络基本结构 |
| 2.2.2 BP神经网络设计原理 |
| 2.3 用于节水灌溉的人工神经网络模型的构建 |
| 2.4 本章小结 |
| 3 基于人工神经网络的农用井泵系统故障诊断 |
| 3.1 井泵故障诊断方法 |
| 3.2 农用井泵故障数据获取 |
| 3.2.1 农用井泵的故障现象 |
| 3.2.2 农用井泵的故障原因 |
| 3.2.3 样本数据的模糊化处理 |
| 3.3 农用井泵故障诊断 |
| 3.3.1 神经网络节点的确定 |
| 3.3.2 神经网络参数的设置 |
| 3.3.3 分析与对比 |
| 3.4 本章小结 |
| 4 基于人工神经网络的节水灌溉形式优选 |
| 4.1 节水灌溉形式 |
| 4.2 节水灌溉形式优选与数据分析 |
| 4.2.1 节水灌溉形式的选择 |
| 4.2.2 节水灌溉形式优选的数据处理 |
| 4.2.3 样本数据的处理 |
| 4.3 节水灌溉形式优选 |
| 4.3.1 神经网络节点个数的确定 |
| 4.3.2 神经网络各个参数的设置 |
| 4.3.3 分析与对比 |
| 4.4 本章小结 |
| 5 基于人工神经网络的冬小麦水肥-产量预测 |
| 5.1 冬小麦水肥-产量关系模型 |
| 5.2 数据选取 |
| 5.2.1 样本数据的选取 |
| 5.2.2 样本数据的处理 |
| 5.3 冬小麦水肥产量预测 |
| 5.3.1 神经网络节点数确定 |
| 5.3.2 神经网络参数设置 |
| 5.3.3 分析与对比 |
| 5.4 本章小结 |
| 6 结论与展望 |
| 6.1 结论 |
| 6.2 展望 |
| 参考文献 |
| 在读期间发表的学术论文 |
| 作者简介 |
| 致谢 |
（6）农村给水工程需水量预测研究 ——以保亭县为例（论文提纲范文）
| 1. 绪论 |
| 1.1 选题的背景与意义 |
| 1.1.1 论文背景 |
| 1.1.2 研究意义 |
| 1.2 国内外研究现状 |
| 1.2.1 国内研究现状 |
| 1.2.2 国外研究现状 |
| 1.2.3 存在的问题与不足 |
| 1.3 本文研究内容 |
| 1.4 技术路线 |
| 1.5 本文创新点 |
| 2. 数据预处理 |
| 2.1 数据的获取 |
| 2.2 缺失值识别及原因分析 |
| 2.2.1 数据为0的点 |
| 2.2.2 小范围数据缺失 |
| 2.3 数据分析和研究对象的选择 |
| 2.3.1 数据分析 |
| 2.3.2 研究对象的选择 |
| 2.4 数据处理的实现方法 |
| 2.4.1 常用数据缺失值填补方法 |
| 2.4.2 数据缺失值处理方法 |
| 2.4.3 数据处理流程 |
| 3. 方法论 |
| 3.1 模糊C聚类 |
| 3.1.1 聚类的提出 |
| 3.1.2 模糊聚类 |
| 3.1.3 模糊C均值聚类算法 |
| 3.2 主成因分析法 |
| 3.2.1 基本原理 |
| 3.2.2 主成分分析法的主要步骤 |
| 3.3 Pearson相关性分析 |
| 3.4 Elman神经网络 |
| 3.4.1 基本结构 |
| 3.4.2 工作原理及其算法 |
| 3.5 粗糙集 |
| 3.5.1 理论形成和误差补偿结构的提出 |
| 3.5.2 算法的实现 |
| 3.6 误差评价指标方法 |
| 3.6.1 MAPE |
| 3.6.2 MSE |
| 3.6.3 MAE |
| 3.6.4 MAD/MIN 比值 |
| 3.6.5 GMRAE |
| 3.6.6 SMAP |
| 4. 粗糙集-模糊C均值聚类Elman神经网络 |
| 4.1 算法流程与步骤 |
| 4.1.1 算法步骤 |
| 4.1.2 算法流程图 |
| 4.2 模糊C均值聚类 |
| 4.3 主成因分析法 |
| 4.3.1 关键影响因素的提取 |
| 4.3.2 影响因子的降维处理 |
| 4.4 Elman神经网络 |
| 4.5 粗糙集修正 |
| 5. 结果分析 |
| 5.1 误差指标的选用 |
| 5.2 得出结果 |
| 5.3 结果分析 |
| 5.3.1 缺失值填补比较 |
| 5.3.2 与Elman神经网络比较 |
| 6. 总结与展望 |
| 6.1 论文的主要工作和总结 |
| 6.2 未来展望 |
| 参考文献 |
| 致谢 |
（7）基于WRF区域气候模式的粤港澳大湾区资源利用研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究背景及意义 |
| 1.1.1 研究背景 |
| 1.1.2 研究意义 |
| 1.2 国内外研究综述 |
| 1.2.1 WRF模式发展及数值模拟研究 |
| 1.2.2 气候变化对资源利用的影响研究 |
| 1.2.3 资源利用相关指标预测方法 |
| 1.3 课题研究内容及本人主要工作 |
| 1.4 本章小结 |
| 第2章 WRF模式下气候与资源利用现状分析 |
| 2.1 粤港澳大湾区资源利用现状 |
| 2.1.1 湾区能源发展特点 |
| 2.1.2 主要城市能源发展概况 |
| 2.2 WRF区域气候模式概况 |
| 2.2.1 WRF模式原理及发展 |
| 2.2.2 WRF模式物理方案 |
| 2.3 基于WRF模式的粤港澳大湾区气候模拟实例研究 |
| 2.3.1 模拟区域 |
| 2.3.2 模拟方案设计 |
| 2.3.3 模拟结果 |
| 2.4 本章小结 |
| 第3章 气象因子与资源利用指标协整及因果分析 |
| 3.1 指标选择及数据来源 |
| 3.2 协整性及因果分析方法 |
| 3.2.1 平稳性检验 |
| 3.2.2 协整性分析 |
| 3.2.3 格兰杰因果检验 |
| 3.3 大湾区主要城市实例研究 |
| 3.3.1 广州用电量与气象因子协整及因果分析 |
| 3.3.2 香港最终能源消费量与气象因子协整及因果分析 |
| 3.3.3 澳门用水量与气象因子协整及因果分析 |
| 3.4 本章小结 |
| 第4章 大湾区主要城市资源利用指标预测模型研究 |
| 4.1 基于梯度提升决策树的广州市用电量预测 |
| 4.1.1 模型原理 |
| 4.1.2 算例分析 |
| 4.2 基于支持向量机的香港最终能源消费总量预测 |
| 4.2.1 模型原理 |
| 4.2.2 算例分析 |
| 4.3 基于BP神经网络的的澳门用水量预测 |
| 4.3.1 模型原理 |
| 4.3.2 算例分析 |
| 4.4 本章小结 |
| 第5章 气候与资源利用分析系统的设计与实现 |
| 5.1 系统总分析与设计 |
| 5.1.1 系统设计目标 |
| 5.1.2 系统功能分析 |
| 5.1.3 系统技术架构 |
| 5.2 系统功能设计 |
| 5.2.1 数据管理模块设计 |
| 5.2.2 因果检验模块设计 |
| 5.2.3 指标数据预测模块设计 |
| 5.3 本章小结 |
| 第6章 总结与展望 |
| 6.1 结论 |
| 6.2 展望 |
| 参考文献 |
| 攻读硕士学位期间发表的论文及其它成果 |
| 致谢 |
（8）基于“节水优先”的上海市用水量变化趋势分析及预测（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 1 绪论 |
| 1.1 研究背景与意义 |
| 1.1.1 研究背景 |
| 1.1.2 研究意义 |
| 1.2 相关研究进展 |
| 1.2.1 节水潜力相关研究进展 |
| 1.2.2 “节水优先”相关研究进展 |
| 1.2.3 城市用水量预测相关研究进展 |
| 1.2.4 上海市用水总量相关研究进展 |
| 1.3 研究目标、研究内容与技术路线 |
| 1.3.1 研究目标 |
| 1.3.2 研究内容 |
| 1.3.3 技术路线 |
| 2 “节水优先”水资源节约理论研究 |
| 2.1 “节水优先”方针的提出 |
| 2.1.1 首次提出“节水优先”方针 |
| 2.1.2 必然性——城市发展与水资源短缺的矛盾 |
| 2.1.3 可行性——“节水优先”方针提出的基础 |
| 2.2 “节水优先”水资源节约理论的主要特点 |
| 2.2.1 强调取供用排全过程节水 |
| 2.2.2 注重提高用水效率 |
| 2.2.3 确立未来用水总量生态红线 |
| 2.2.4 主动积极适应自然环境承载力 |
| 3 上海市用水量变化趋势分析 |
| 3.1 上海市区域概况及水资源概况 |
| 3.1.1 区域概况分析 |
| 3.1.2 水资源概况 |
| 3.1.3 用水量分类情况 |
| 3.2 上海市各类用水量变化规律分析 |
| 3.2.1 总用水量 |
| 3.2.2 农业用水量 |
| 3.2.3 工业用水量 |
| 3.2.4 城镇公共用水量 |
| 3.2.5 居民生活用水量 |
| 3.3 上海市用水量变化趋势分析小结 |
| 3.3.1 不同类别用水量的差异化分析 |
| 3.3.2 影响用水总量下降的主要原因分析 |
| 3.3.3 影响用水总量增长的主要原因分析 |
| 3.4 定性预测：未来用水总量可能呈下降趋势 |
| 4 上海市用水量预测的探索 |
| 4.1 上海市未来规划方向 |
| 4.1.1 上海市2035年建设目标 |
| 4.1.2 上海市2035年规划对水资源利用的约束 |
| 4.1.3 上海市中长期用水量模型预测的价值 |
| 4.1.4 上海市中长期用水量模型预测的方法 |
| 4.2 基于主成分分析的用水量关键影响因子选取 |
| 4.2.1 主成分分析法 |
| 4.2.2 农业用水量关键影响因子 |
| 4.2.3 工业用水量关键影响因子 |
| 4.2.4 城镇公共用水量关键影响因子 |
| 4.2.5 居民生活用水量关键影响因子 |
| 4.2.6 影响因子小结 |
| 4.3 基于GM(1,1)灰色模型的用水量关键影响因子预测 |
| 4.3.1 GM(1,1)灰色预测模型 |
| 4.3.2 各类用水量关键影响因子预测结果 |
| 4.3.3 政策限制下关键影响因子预测值的修正 |
| 4.4 基于人工神经网络模型的上海市用水量预测 |
| 4.4.1 RBF神经网络模型与MLP神经网络模型 |
| 4.4.2 神经网络模型的训练、检验和筛选 |
| 4.4.3 2017 年至2035年各类用水量预测结果 |
| 4.4.4 “节水优先”限制下用水量预测结果的修正 |
| 4.5 上海市用水量预测结果分析 |
| 4.5.1 2017 年预测数据与统计值比较 |
| 4.5.2 用水变化趋势的定性定量预测比较 |
| 4.5.3 2020 年、2035年用水总量指标与预测比较 |
| 4.5.4 2020 年、2035年用水效率指标与预测比较 |
| 4.6 小结 |
| 5 总结与讨论 |
| 5.1 总结 |
| 5.2 讨论 |
| 5.2.1 落实“节水优先”的用水量控制途径建议 |
| 5.2.2 城市用水量预测方法的讨论 |
| 参考文献 |
| 附录 |
| 致谢 |
（9）基于混合智能算法的城市需水量预测研究（论文提纲范文）
| 中文摘要 |
| 英文摘要 |
| 1 绪论 |
| 1.1 研究背景及研究意义 |
| 1.1.1 研究背景 |
| 1.1.2 城市中长期需水量预测的意义 |
| 1.1.3 城市短期需水量预测的意义 |
| 1.2 城市需水量预测方法研究现状 |
| 1.3 研究内容和技术路线 |
| 2 基于多分辨BP神经网络的日需水量预测模型 |
| 2.1 BP神经网络 |
| 2.1.1 网络结构 |
| 2.1.2 网络训练过程 |
| 2.1.3 BP网络在实际应用中的问题 |
| 2.2 多分辨分析 |
| 2.2.1 多分辨分析的概念 |
| 2.2.3 小波变换 |
| 2.3 需水量时间序列混沌分析 |
| 2.3.1 需水量时间序列的混沌性判定 |
| 2.3.2 需水量时间序列的相空间重构 |
| 2.4 多分辨BP网络预测模型 |
| 2.4.1 模型原理 |
| 2.4.2 模型的建立 |
| 2.5 实例分析 |
| 2.5.1 计算过程及结果 |
| 2.5.2 对比验证 |
| 2.5.3 模型评价指标 |
| 2.6 本章小结 |
| 3 基于蛙跳算法优化的支持向量机的日需水量预测模型 |
| 3.1 回归支持向量机 |
| 3.1.1 线性回归支持向量机 |
| 3.1.2 非线性回归支持向量机 |
| 3.1.3 核函数的选择 |
| 3.1.4 支持向量机的参数优化 |
| 3.2 混合蛙跳算法（SFLA） |
| 3.2.1 SFLA的原理 |
| 3.2.2 SFLA的数学模型 |
| 3.2.3 SFLA的算法流程 |
| 3.3 SFLA优化SVM的步骤及流程 |
| 3.4 SFLA优化SVM的预测模型 |
| 3.5 实例分析 |
| 3.6 本章小结 |
| 4 基于灰色理论的年需水量预测模型 |
| 4.1 累加生产与累减还原 |
| 4.2 GM(1,1)模型 |
| 4.3 GM(1,1)模型的小样本特性与样本数目选择 |
| 4.3.1 GM(1,1)模型的小样本特性 |
| 4.3.2 GM(1,1)模型的样本选择 |
| 4.4 GM(1,1)模型的优化 |
| 4.4.1 GM(1,1)模型初始值的优化 |
| 4.4.2 GM(1,1)模型背景值的优化 |
| 4.4.5 SFLA优化GM(1,1)模型 |
| 4.5 缓冲算子 |
| 4.5.1 缓冲算子的基本定义 |
| 4.5.2 常用缓冲算子 |
| 4.5.3 变权重缓冲算子及其作用强度 |
| 4.5.4 可变权重的确定方法 |
| 4.6 基于GM(1,1)的城市年需水量预测模型的建模步骤 |
| 4.7 实例分析 |
| 4.7.1 基于SFLA-GM(1,1)的城市年需水量预测 |
| 4.7.2 基于变权强化缓冲算子和SFLA-GM(1,1)的城市年需水量预测 |
| 4.7.3 基于变权弱化缓冲算子和SFLA-GM(1,1)的城市年需水量预测 |
| 4.8 本章小结 |
| 5 结论与建议 |
| 5.1 结论 |
| 5.2 研究创新点 |
| 5.3 建议 |
| 致谢 |
| 参考文献 |
| 附录 |
| A. 作者在攻读硕士学位期间发表的论文 |
（10）时间序列特性驱动的供水量预测方法研究及应用（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 1 绪论 |
| 1.1 研究背景及意义 |
| 1.2 城市供水量预测方法研究现状 |
| 1.2.1 传统预测方法 |
| 1.2.2 新技术方法 |
| 1.2.3 预测方法总结 |
| 1.3 供水量序列特性简述 |
| 1.4 研究内容及章节安排 |
| 2 供水量时间序列的可预测性分析 |
| 2.1 相空间重构 |
| 2.1.1 延迟时间 |
| 2.1.2 嵌入维数 |
| 2.1.3 供水量时间序列的延迟时间和嵌入维数确定 |
| 2.2 供水量时间序列混沌分析 |
| 2.2.1 功率谱 |
| 2.2.2 最大 Lyapunov 指数 |
| 2.3 本章小结 |
| 3 常用供水量预测模型研究 |
| 3.1 整合自回归移动平均模型 |
| 3.1.1 模型原理 |
| 3.1.2 建模步骤 |
| 3.1.3 模型预测结果 |
| 3.2 反向传播神经网络模型 |
| 3.2.1 模型原理 |
| 3.2.2 建模步骤 |
| 3.2.3 模型预测结果 |
| 3.3 模糊神经网络模型 |
| 3.3.1 模型原理 |
| 3.3.2 建模步骤 |
| 3.3.3 模型预测结果 |
| 3.4 最小二乘支持向量回归模型 |
| 3.4.1 模型原理 |
| 3.4.2 建模步骤 |
| 3.4.3 模型预测结果 |
| 3.5 模型预测比较 |
| 3.5.1 预测结果评价指标 |
| 3.5.2 实例分析环境 |
| 3.5.3 1#日供水量预测结果分析 |
| 3.5.4 1#月供水量预测结果分析 |
| 3.5.5 2#日供水量预测结果分析 |
| 3.5.6 3#日供水量预测结果分析 |
| 3.5.7 3#月供水量预测结果分析 |
| 3.6 本章小结 |
| 4 日供水量多尺度最小二乘支持向量回归预测模型研究 |
| 4.1 日供水量变化规律分析 |
| 4.2 多尺度分析 |
| 4.2.1 基本概念 |
| 4.2.2 小波变换 |
| 4.2.3 静态小波变换 |
| 4.2.4 尺度分解的两个问题 |
| 4.3 多尺度最小二乘支持向量回归预测模型 |
| 4.3.1 模型原理 |
| 4.3.2 算法步骤 |
| 4.4 实例分析 |
| 4.5 本章小结 |
| 5 日供水量变结构最小二乘支持向量回归预测模型研究 |
| 5.1 最大预测时间 |
| 5.1.1 理论 |
| 5.1.2 最大预测时间确定 |
| 5.2 变结构最小二乘支持向量回归预测模型 |
| 5.2.1 模型原理 |
| 5.2.2 数据同化 |
| 5.2.3 算法步骤 |
| 5.3 实例分析 |
| 5.3.1 预测结果分析 |
| 5.3.2 动态误差分析 |
| 5.4 本章小结 |
| 6 月供水量加法预测模型研究 |
| 6.1 月供水量变化规律分析 |
| 6.2 加法预测模型 |
| 6.2.1 模型原理 |
| 6.2.2 时间序列特征提取 |
| 6.2.3 子预测模型选择 |
| 6.2.4 算法步骤 |
| 6.3 实例分析 |
| 6.4 本章小结 |
| 7 总结与展望 |
| 7.1 结论 |
| 7.2 主要创新点 |
| 7.3 展望 |
| 致谢 |
| 参考文献 |
| 附录 |
| A. 攻读博士学位期间发表的论文目录 |
四、用人工神经网络预测时用水量的方法(英文)（论文参考文献）
- [1]基于EEMD-LSTM水质预测方法的研究与应用[D]. 张鼎渊. 中国科学技术大学, 2021(08)
- [2]基于元启发算法的橡胶钢纤维混凝土强度预测[D]. 孙磊. 内蒙古农业大学, 2020(02)
- [3]基于人工电场算法的城市供水泵站优化调度研究[D]. 叶桂旗. 长安大学, 2020(06)
- [4]校园水资源使用预测及最优调度研究[D]. 马哲海. 浙江工商大学, 2020(05)
- [5]人工神经网络在节水灌溉中的应用研究[D]. 耿正峥. 河北农业大学, 2019(03)
- [6]农村给水工程需水量预测研究 ——以保亭县为例[D]. 吴佳懋. 海南大学, 2019(06)
- [7]基于WRF区域气候模式的粤港澳大湾区资源利用研究[D]. 周雅爽. 华北电力大学(北京), 2019(01)
- [8]基于“节水优先”的上海市用水量变化趋势分析及预测[D]. 王文佳. 华东师范大学, 2018(01)
- [9]基于混合智能算法的城市需水量预测研究[D]. 唐鹏飞. 重庆大学, 2017(06)
- [10]时间序列特性驱动的供水量预测方法研究及应用[D]. 白云. 重庆大学, 2014(04)