基于-非平稳时序城市用水量ann-arma预测模型

《基于-非平稳时序城市用水量ann-arma预测模型》由会员上传分享，免费在线阅读，更多相关内容在教育资源-天天文库。

1、.基于非平稳时序的城市用水量ANN-ARMA预测模型采峰作者简介：采峰(1974-)，男，汉族，河南滑县人，北京理工大学博士生，工程师，研究方向：工业工程、过程系统工程。曾凤章(1943-)，女，汉族，北京人，北京理工大学教授，博士生导师，研究方向：工业工程。联系方式：010-68916003(固定)；13683504662E-mail：caifengbit@bit.edu.cncaifengbit@sina.com，曾凤章(导师)(1北京理工大学北京100081)文摘:目的：面对城市水资源供需矛盾日益加剧的现状，城市用水量预测已成

2、为城市建设与水资源规划工作的重要内容之一。它直接关系到城市水资源的可持续利用和社会经济的可持续发展。目前，基于平稳时间序列的城市用水量短期预测方法研究比较广泛，并已经取得了较好的预测效果；但是，中长期的城市用水量由于受到社会诸多因素的综合影响，其时间序列具有明显的趋势性和随机性，故预测方法复杂，且研究相对较少。该论文研究了基于非平稳时间序列的城市用水量中长期预测方法。方法：根据时间序列分析的有关理论与方法，即非平稳时间序列可以分解为确定项和随机项两个部分，提出了集成人工神经网络（ANN）与自回归滑动平均模型（ARMA）的预测模型。针

3、对中长期城市用水量的非平稳时间序列，该集成模型应用带有动量的反向传播人工神经网络模型拟合和预测其确定项，以表示时间序列的非平稳变化趋势；应用自回归滑动平均模型拟合和预测其随机项，以表示时间序列的平稳随机成分。两个模型的预测值之和，作为中长期城市用水量的预测值。结果：应用该集成模型，对某城市的中长期用水量进行了模拟预测。结果表明：（1）预测值与实际值的相对误差不超过6%。（2）该集成模型预测的相对误差小于带有动量的反向传播人工神经网络模型预测的相对误差。结论：从理论和实践上，证明了人工神经网络与自回归滑动平均的集成模型具有较高的预测精

4、度。因此，该集成模型应用于基于非平稳时间序列的城市用水量中长期预测，具有科学性和可行性。...关键词：城市用水量；非平稳时间序列；中长期预测；人工神经网络；动量反向传播模型；自回归滑动平均模型ANN-ARMAmodelforforecastingurbanwaterconsumptionbasedonnon-stationarytimeseriesCAIFeng，ZENGFeng-zhang(SchoolofManagementandEconomics,BeijingInstituteofTechnology,Beijing,100

5、081)Abstract:Purposes:Inthecurrentsituationthatcontradictionbetweensuppliesanddemandsofurbanwaterresourcesismoreandmoreintense,forecastforurbanwaterconsumptionhasbecomeoneofimportantworksregardingurbanconstructionandwaterresourcesplanning.Itdirectlyaffectssustainableut

6、ilizationofurbanwaterresourcesandsustainabledevelopmentofsocialeconomy.Atpresent,itisverywidethatstudiesonmethodsofshorttermforecastforurbanwaterconsumptionbasedonstationarytimeseries,andtheyhavegainedbettereffects.Becausetimeseriesofurbanmiddle-longtermwaterconsumptio

7、nthatisaffectedbylotsofsocialfactors,arecharacterizedwithtendencyandrandomness,forecastmethodsaremorecomplicatedandfewerareresearched.Thispaperresearchedthemethodofmiddle-longtermforecastforurbanwaterconsumptionbasedonnon-stationarytimeseries.Methods:Intermsofconcerned

8、theoriesoftimeseriesanalysis,i.e.non-stationarytimeseriescanbedividedintothecertainpartandstochasticpart,aforecastmod