基于GRA-MEA-BP耦合模型的城市需水预测研究

详细信息    查看全文 | 推荐本文 |

英文篇名：Research on GRA-MEA-BP coupling model for water demand prediction 作者：李晓英 ; 苏志伟 ; 田佳乐 ; 郑景耀 英文作者：LI Xiaoying;SU Zhiwei;TIAN Jiale;ZHENG Jingyao;College of Water Conservancy and Hydropower Engineering,Hohai University; 关键词：灰色关联分析 ; BP神经网络 ; 思维进化算法 ; 耦合模型 ; 需水量预测 英文关键词：grey relational analysis;;BP neutral network;;mind evolutionary algorithm;;coupling model;;water demand prediction 中文刊名：XBSZ 英文刊名：Journal of Water Resources and Water Engineering 机构：河海大学水利水电学院; 出版日期：2018-02-15 出版单位：水资源与水工程学报 年：2018 期：v.29;No.137 基金：国家重点计划研发课题(2016YFC0400909、2016YFC0402605);; 江苏省高校优势学科建设工程项目(水利工程);; 水利部黄河泥沙重点实验室开放课题基金项目(2017003) 语种：中文; 页：XBSZ201801008 页数：5 CN：01 ISSN：61-1413/TV 分类号：53-57

摘要

针对城市需水量影响因子多、BP神经网络收敛速度慢、精度低、易陷入局部最优等问题,提出灰色关联分析、思维进化算法、BP神经网络三者耦合的改进预测模型,利用灰色关联分析(GRA)筛选需水量主要影响因子,采用全局搜索能力极强的思维进化算法(MEA)优化BP神经网络的权值和阈值,从而构建GRA-MEA-BP耦合需水预测模型,同时建立BP神经网络模型作为对比。实例应用结果表明,GRA-MEA-BP耦合模型具有更高的预测精度和预测速度,可作为一种有效的需水预测模型。
        In order to solve the problem of multiple impact factors of urban water demand,slow convergence speed of BP neural network,low precision and easily falling into local optimum,this paper proposes an improved forecasting model based on the combination of grey relational analysis,mind evolutionary algorithm( MEA) and back propagation neural network( BPNN). grey relational analysis was adopted to select the main factors that influence the water requirement,and the weights and threshold values of BP neural network was optimized by using mind evolutionary algorithm( MEA) which has a strong global search ability to build the GRA-MEA-BP water demand forecast coupling model. And BP neural network model was established for comparison as well. The application results show that the GRA-MEA-BP coupling model has higher prediction accuracy and prediction speed. Thus,it can be used as an effective model for water demand forecasting.

引文

[1]郭华,郑侃,林占东,等.粒子群算法在城市需水预测模型中的应用[J].中国农村水利水电,2008(12):63-65.
    [2]张琼楠,张龙.改进的灰色GM(1,1)模型在农业需水预测中的应用[J].三峡大学学报(自然科学版),2013,35(6):12-15+58.
    [3]俞亭超,张土乔,毛根海,等.预测城市用水量的人工神经网络模型研究[J].浙江大学学报(工学版),2004,38(9):55-60.
    [4]崔东文.加权平均集成神经网络模型在城市需水预测中的应用[J].水资源保护,2014,30(2):27-32+45.
    [5]王弘宇,马放,杨开,等.灰色新陈代谢GM(1,1)模型在中长期城市需水量预测中的应用研究[J].武汉大学学报(工学版),2004,37(6):32-35.
    [6]王春娟,冯利华,罗伟,等.主成分回归在需水预测中的应用[J].水资源与水工程学报,2013,24(1):50-53.
    [7]王盼,陆宝宏,张瀚文,等.基于随机森林模型的需水预测模型及其应用[J].水资源保护,2014,30(1):34-37,89.
    [8]何斌,张澎辉,梁国华,等.基于BP神经网络的场次洪水河道沙量预报[J].南水北调与水利科技,2015,13(3):406-408+416.
    [9]崔吉峰,乞建勋,杨尚东.基于粒子群改进BP神经网络的组合预测模型及其应用[J].中南大学学报(自然科学版),2009,40(1):190-194.
    [10]臧冬伟,陆宝宏,朱从飞,等.基于灰色关联分析的GA-BP网络需水预测模型研究[J].水电能源科学,2015,33(7):39-42+6.
    [11]舒媛媛,周维博,刘雷,等.基于主成分分析的BP神经网络在延安市需水预测中的应用[J].水资源与水工程学报,2012,23(6):172-175.
    [12]杨婷,魏晓妹,胡国杰,等.灰色BP神经网络模型在民勤盆地地下水埋深动态预测中的应用[J].干旱地区农业研究,2011,29(2):204-208.
    [13]张以帅,赖惠鸽,李勇,等.基于MEA优化BP神经网络的天然气短期负荷预测[J].自动化与仪表,2016,31(5):15-19.
    [14]赵瑞勇,周新志.基于MEA-BP的微波加热褐煤温度预测[J].传感器与微系统,2016,35(10):43-45+48.
    [15]杜晓.基于MEA-BP模型的股票预测研究[D].兰州:兰州大学,2015.
    [16]吴伟,郭军巧,安淑一,等.使用思维进化算法优化的神经网络建立肾综合征出血热预测模型[J].中国卫生统计,2016,33(1):27-30.
    [17]王艳菊,王珏,吴泽宁,等.基于灰色关联分析的支持向量机需水预测研究[J].节水灌溉,2010(10):49-52.