人工神经网络法预测时用水量(1)程力学毕业论(2)

　　3.1　方法

　　利用bp神经网络预测时用水量分为三大步骤：第一步为训练样本的准备和归一化，第二步为神经网络的训练，第三步是利用训练后的神经网络对用水量进行预测［6］。

　　由于用水量的数值较大，应对其进行一定的预处理，一般可采用初值化、极值化或等比变换。通过这些变换可有效地缩短神经网络训练时间，从而加快网络收敛速度。

　　3.2　实例

　　采用华北某市2000年24h用水量的实测数据进行预测。在应用神经网络预测模型预测时用水量时，建立了时用水量数据库，共收集了240个样本，每个样本包括24h的时用水量资料。

　　通过选取不同的输入样本数及不同的隐层单元个数来比较其训练与预测结果的最大相对误差、均方差、程序运行时间以决定网络的结构。经过比较，最后决定采用一个隐层、12个隐层单元、24个输出单元的bp网进行训练, 训练过程中均采用24h的时用水量作为输入与输出节点(即opi与opj)。

　　由于时用水量变化具有趋势性、周期性及随机扰动性的特点，故预测样本的变化规律将直接影响预测结果的变化趋势，所以在预测时应根据预测对象的情况，选择适当的样本进行预测 。

　　①预测次日24h的时用水量(或某一时刻的用水量)

　　a.如果这一天处于工作日则选取上一工作日的用水量作为输入样本进行训练，然后预测次日的时用水量。预测结果见图2，与实际用水量的相对误差为-0.02%～0.01%。

　　b.如果预测日为周末(即周六或周日)则选取前一周(包括上周周末)的实测数据进行训练以使预测更加准确，预测结果见图3。与实际用水量的相对误差为-2%～1%。

　　②预测一个月的时用水量

　　可以选取上个月的数据进行训练，也可以选取去年或连续几年同月的时用水量进行预测，不过训练样本数越大、训练时间越长则预测精度越高。预测结果见图4，与实际用水量的相对误差在±1%以内。

　　3.3　预测效果比较

　　为了考察神经网络模型对城市时用水量的预测效果，同时采用时间序列三角函数分析法、灰色系统理论预测法、小波分析法对上述实例进行了预测，结果表明：时间序列三角函数分析法的预测误差一般为±5%～±7%；灰色系统理论预测法的预测误差大一些，为±5%～±50%；小波分析法误差范围为0%～±25%；而神经网络的最大误差不超过±1%。

　　可见，神经网络方法对城市时用水量的预测效果明显好于其他方法。

　　4　结语

　　人工神经网络是一门新兴的交叉学科，利用bp网络进行预测能拟合任意的非线性函数并且具有准确、简单等特点，实际应用结果表明，用它来预测时用水量是可行的。

　　参考文献：

　　［1］hagan mt,menhaj m b.training feed forward networks with marquart algorithm［j］.ieee trans on neural networks,1994,5(6):989-993.

　　［2］kanad chakraborty,chilukuri k mohan.forecasting the behavior of multivariate tim e series using neural networks［j］.neural networks,1992，(5)：961-970.

　　［3］sietsma j，dow rjf.back propagation networks that generalize［j］.neural netwo rks,1999，(12)：65-69.

　　［4］邵良彬，高树林.基于人工神经网络的投资预测［j］.系统工程理论与实践，1997，17(2)：67-71.

　　［5］周保生.人工神经网络在煤矿巷道围岩移近量预测中的应用［j］.系统工程理论与实践，2000，20(1)：136-139.

　　［6］杨兆升.基于bp神经网络的路径行程时间实时预测模型［j］.系统工程理论与实践，1999，19(8)：59-64.

共2页: 2