导读:本文包含了城市用水量预测论文开题报告文献综述及选题提纲参考文献，主要关键词:用水量,加权最小二乘回归,聚类分析
城市用水量预测论文文献综述
刘琛,陈子旸,陈小峰[1]（2019）在《主成分回归模型在城市用水量预测中的应用》一文中研究指出为了研究我国全国各地的用水量与哪些因素有关,并且检测各地区用水情况是否相似,以便制定合理的供水资源计划,以用水人口作为因变量,以供水总量、供水综合生产能力、供水管道长度、城市建成区面积、城市人口密度、城区面积作为影响用水人口的主要因素建立适当的模型进行分析,得到供水总量、供水综合生产能力和城市人口密度的影响较大。同时运用聚类方法将用水情况相似的城市聚为一类,提升水资源利用率。(本文来源于《工程技术研究》期刊2019年20期）
周鹏飞,卢泽雨[2]（2018）在《基于SPSS多元线性回归模型在城市用水量的预测》一文中研究指出应用多元线性回归分析原理及模型,以邯郸市为例,对城市用水量进行预测。采用逐步回归分析法,利用SPSS软件对影响城市用水量的因素进行多元线性回归分析,建立回归方程,分析城市用水量。该模型的最大误差值为0.378%,最小误差值为0.058%,平均误差值为0.241%,模型拟合情况良好,可以用来预测城市用水量。(本文来源于《水利科技与经济》期刊2018年05期）
牛瑞文[3]（2018）在《基于灰色Elman神经网络的城市时用水量预测》一文中研究指出为了准确预测城市时用水量,将灰色理论与Elman神经网络模型结合,建立城市时用水量预测模型。灰色系统能较好地预测变化的趋势,而Elman神经网络具有动态特性好、逼近速度快、精度高等特点,对于城市时用水量的预测,两者结合能够发挥各自的优势。将模型应用于西北某市,结果表明,灰色Elman神经网络模型优于传统灰色预测模型,提高了预测精度,达到了很好的预测效果。(本文来源于《福建建材》期刊2018年02期）
郭泽宇,陈玲俐[4]（2018）在《城市用水量组合预测模型及其应用》一文中研究指出针对城市用水量时间序列包含逐步增长趋势、季节性趋势及不确定性的非线性波动特点,单一预测模型往往很难充分反映原始数据中全部的有效信息,结合季节性时间序列模型(SARIMA)和BP神经网络二者优点,构建了一种新型的组合预测模型,对上海市用水量进行不同时间尺度的预测。结果表明,在不同时间尺度上组合预测模型均比单一预测模型精度高、预测质量稳定。(本文来源于《水电能源科学》期刊2018年01期）
陈李[5]（2017）在《基于小波差分进化最小二乘支持向量机的城市日用水量预测研究》一文中研究指出随着城市管网的复杂化和调度目标多样化,经验调度已无法满足给水管网调度的要求,迫切需要能耗低、安全性高、可靠性高的优化调度方式。实现优化调度决策首先需要建立管网状态模型和调度时用水量预测模型,其中调度时用水量预测是否精确直接决定了调度决策方案是否可行。而日用水量预测是调度时用水量预测的重要前提和关键,它很大程度决定了时用水量的预测精度。因此,本文对日用水量预测进行了研究,主要工作如下:(1)利用小波降噪理论分析日用水量序列,去除日用水量所包含的噪声成分。通过计算降噪或未降噪序列变量间的互信息量,确定与预测日用水量相关性最大的日用水量。(2)以预测日用水量主要影响因素和与降噪或未降噪预测日相关性最大的日用水量为输入,以降噪或未降噪预测日用水量为输出,分别引入自适应差分进化算法(SADE)优化LSSVM的参数,建立了基于小波自适应差分进化最小二乘支持向量机预测模型(WSADDELSSVM)和基于自适应差分进化最小二乘支持向量机预测模型(SADELSSVM)。(3)利用降噪或未降噪的日用水量数据,采用相同的模型输入和输出,引入自适应遗传算法和传统差分进化算法优化LSSVM的参数,建立基于小波差分进化最小二乘支持向量机模型(WDELSSVM)、基于小波自适应遗传算法的最小二乘支持向量机模型(WSAGALSSVM)、基于差分进化最小二乘支持向量机模型(DELSSVM)和基于自适应遗传算法的最小二乘支持向量机(SAGALSSVM)。采用相同的降噪或未降噪数据,在优化LSSVM参数的过程中,SADE的全局优化能力最强,DE的全局优化能力次之,SAGA的全局优化能力最弱,但SADE和DE最终都搜索到相同的最优参数。采用相同的降噪数据进行建模和预测,分析结果为:WSADELSSVM模型和WDELSSVM模型预测结果一样,为最优,WSAGALSSVM模型的预测结果则最差。采用相同的未降噪数据进行建模和预测,分析结果为:SADELSSVM和DELSSVM模型预测结果一样,为最优,SAGALSSVM模型预测结果最差。采用相同建模方法,对比采用降噪和未降噪数据进行建模和预测的结果,分析结果为:WSADELSSVM模型和WDELSSVM模型(两模型预测结果一样)预测精度优于SADELSSVM模型和DELSSVM模型(两模型预测结果一样),WSAGALSVM模型预测精度优于SAGALSSVM模型。验证了小波降噪的有效性。(本文来源于《浙江工业大学》期刊2017-11-01）
白云,谢晶晶,王晓雪,李川[6]（2016）在《基于多尺度相关向量机的城市日用水量预测》一文中研究指出为提高日用水量预测精度,提出一种基于多尺度相关向量机的预测模型。通过静态小波分解将用水量非平稳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分别建立相关向量机回归模型进行预测,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。在实例分析中分别利用多尺度关联向量机模型和单尺度相关向量机预测模型对实际用水量进行预测分析。结果表明,前者具有更高的预测精度,可应用于城市日用水量的预测。(本文来源于《水资源与水工程学报》期刊2016年03期）
刘宗博[7]（2016）在《基于辽宁中部城市地区用水量预测的研究》一文中研究指出县级市以上城市工业需水量预测采用重复利用率提高法,并用用水年均增长率和弹性系数法检查其合理性;县城、中心镇用用水年增长率和弹性系数法控制定额。通过对2015年、2030年辽宁中部城市地区用水量的预测,旨在提醒人们增加惜水爱水意识,切实保护和利用好水资源。(本文来源于《黑龙江水利科技》期刊2016年05期）
孙丽芹[8]（2016）在《改进GM(1,1)预测模型及其在城市用水量中的应用》一文中研究指出随着社会经济的发展,现代社会生产力得到了很大的提高,科学预测逐步取代迷信和经验的预测,并发展成为一门预测学科。预测学科的出现,适应了现代经济的发展需求。传统的预测方法是人们根据系统的特点和规律,研究出来的预测模型,而这些预测模型针对的是“大数据”、“系统信息明确”的问题。对于“少数据”、“贫信息”的不确定性问题,研究学者提出了灰色预测模型。灰色预测模型使用的数据少,原理简单,可以用于检验测试。然而,它的预测能力具有一定的局限性,其长期预测精度较低。为了避免灰色预测模型的局限性,人们尝试将其与其它模型相结合,构成组合预测模型。组合预测模型可以实现不同模型之间功能和优势互补,避免单一模型的局限性,增强了预测的能力,提高了预测精度。本文主要研究工作如下:第一部分阐述了灰色系统的基本理论、主要概念和基本原理,并对基本原理做出了详细的分析及证明;第二部分介绍了灰色系统的基础模型——GM(1,1)模型,对其构建思想进行了阐述,并对建模原理进行了详细的证明。第叁部分建立了MSR-GM(1,1)预测模型,即GM(1,1)预测模型与多元逐步回归模型相组合而形成的组合预测模型。首先,利用灰色关联度筛选出与因变量具有很大灰相关度的自变量,做为预自变量集;其次,为了进一步简化模型,运用逐步回归方法,对所选择出的预自变量集进行进一步的筛选,从而筛选出更为精确的相关因子作为最终的自变量集。再次,根据所筛选出的自变量集建立多元回归模型。同时,对筛选出的自变量分别建立灰色GM(1,1)预测模型,对其进行预测,将所得预测值代入建立的回归模型中,从而求得因变量的预测值;最后,运用案例对所建立的MSR-GM(1,1)预测模型进行检测,结果显示该组合模型的预测精度较高,从而证明了此组合模型的合理性。第四部分构建了GM(1,1)-MA预测模型,即GM(1,1)预测模型与时间序列模型相结合而形成的组合预测模型。首先,利用灰色GM(1,1)预测模型对所研究的系统体系进行合理的中期预测;其次,对预测所产生的残差序列,选择出合适的平滑周期M,建立合理的简单滑动平滑模型,进而使用此模型对残差序列进行平滑、分析和预测,对预测模型的残差进行修正,从而得出精确度更高的组合预测模型;最后,通过实例验证了GM(1,1)-MA预测模型的有效性。第五部分利用所建立的MSR-GM(1,1)预测模型和GM(1,1)-MA预测模型,分别对不同条件下的某城市总用水量进行模拟和预测,其结果表明,组合的预测模型精度高于单一预测模型,其预测结果更具有参考价值。(本文来源于《长安大学》期刊2016-05-24）
欧阳嘉,黄细和,罗金荣[9]（2016）在《基于加权组合预测模型的城市用水量预测》一文中研究指出介绍了移动算术平均预测法和BP神经网络理论在城市用水量预测方面的应用,并运用组合权系数优化理论,将移动算术平均预测法模型和BP神经网络预测模型进行加权组合。经吉首市实例验证,表明加权组合预测模型较单一的移动算术平均预测法模型和BP神经网络预测模型更全面,计算结果更精确,拟合效果更好。该模型能为我国中小城市用水量预测提供参考。(本文来源于《市政技术》期刊2016年03期）
严旭[10]（2016）在《城市供水系统中大客户用水量的分析与预测》一文中研究指出作为城市供水系统调度过程中的重要环节,可靠的城市用水量预测在保证城市供水系统的稳健运行中具有至关重要的地位。从城市供水系统调度管理的研究进展来看,大量方法都是在建立整个城市的用水量预测模型,很少有学者探究局部小范围的用水特性并对局部区域用水进行预测。然而,将供水管网调度管理工作区块化和细分化,分析小范围用水区域的特性,进而实现区域用水调度和监测,能为整个城市管网的可靠性管理提供思路,同时也为局域管网节点的设备漏损监测提供依据。本文将城市供水管网中不同的用水大户作为研究对象。首先,提出了实时接收和保存用水数据的方法,并选用一套数据管理方案对数据进行预处理。其次,以人工神经网络为理论基础,选用在预测研究领域中广泛使用的叁种方法,即小波神经网络的时间序列预测方法、Elman神经网络预测方法及基于遗传算法优化的BP神经网络预测方法,建立了时间序列预测模型,将模型应用于实例中各用水大户,对结果进行分析并探讨改进的方案。然后,提出了改进的模糊C均值聚类数自适应算法,并以某一用水客户为例,使用该方法对时用水模式曲线进行聚类分析,并根据不同模式曲线的聚类结果,对影响该客户用水的因素(天气、温度、降雨、星期量等)进行属性约简计算,提取影响时用水量变化的主因素。最后,结合主影响因素和历史用水数据观测值,重新建立预测模型。实验表明,模型的改进效果比较理想。论文中以时间序列预测法建立的模型在部分用水区域的预测应用中收效较好,已经达到可靠性预测要求。通过对时用水模式曲线进行聚类分析和属性约简,提取了时用水量的主影响因素,并将这些因素加入预测模型,进一步提高了时用水量预测的精度。本文提出的预测方案能有效地解决城市用水大客户的时用水量预测问题,并给管网设备漏损的自动监控问题带来了新方法。不足的是,对日、月用水量预测模型的改进仍有待研究。此外,部分样本集中存在的异常数据会对模型的预测效果造成干扰,需要使用更加完善的数据预处理方法。(本文来源于《华中科技大学》期刊2016-05-01）
城市用水量预测论文开题报告
（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：
应用多元线性回归分析原理及模型,以邯郸市为例,对城市用水量进行预测。采用逐步回归分析法,利用SPSS软件对影响城市用水量的因素进行多元线性回归分析,建立回归方程,分析城市用水量。该模型的最大误差值为0.378%,最小误差值为0.058%,平均误差值为0.241%,模型拟合情况良好,可以用来预测城市用水量。
（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。
城市用水量预测论文参考文献
[1].刘琛,陈子旸,陈小峰.主成分回归模型在城市用水量预测中的应用[J].工程技术研究.2019
[2].周鹏飞,卢泽雨.基于SPSS多元线性回归模型在城市用水量的预测[J].水利科技与经济.2018
[3].牛瑞文.基于灰色Elman神经网络的城市时用水量预测[J].福建建材.2018
[4].郭泽宇,陈玲俐.城市用水量组合预测模型及其应用[J].水电能源科学.2018
[5].陈李.基于小波差分进化最小二乘支持向量机的城市日用水量预测研究[D].浙江工业大学.2017
[6].白云,谢晶晶,王晓雪,李川.基于多尺度相关向量机的城市日用水量预测[J].水资源与水工程学报.2016
[7].刘宗博.基于辽宁中部城市地区用水量预测的研究[J].黑龙江水利科技.2016
[8].孙丽芹.改进GM(1,1)预测模型及其在城市用水量中的应用[D].长安大学.2016
[9].欧阳嘉,黄细和,罗金荣.基于加权组合预测模型的城市用水量预测[J].市政技术.2016
[10].严旭.城市供水系统中大客户用水量的分析与预测[D].华中科技大学.2016