加权平均集成神经网络模型在城市需水预测中的应用

崔东文

(云南省文山州水务局，云南文山 663000)

1 研究背景

城市需水量预测是给水系统规划与管理的重要内容之一，也是制定水资源发展战略的重要环节［1］，准确有效地预测需水量对社会经济和环境的协调发展具有重要的意义。传统需水预测一般采用定额法、时间序列法、回归分析法以及灰色预测法等方法，这些传统方法忽视了需水诸影响因素间动态相互制约的关系，存在预测精度不高等问题和不足［2-3］。城市需水预测是以经济发展特征和用水现状为基础，受到城市规模、社会经济发展水平和政府政策等诸多相关因素的影响，是一个典型的多层次复杂非线性系统，适宜借助人工神经网络(artifical neural network，ANN)等智能算法来解决其高维、非线性预测问题。ANN中的BP神经网络(backpropagation network，BP)和 Elman神经网络在城市需水预测中得到了广泛应用［4-5］。然而在实际应用中，BP神经网络存在着学习收敛速度慢、易陷入局部极值等不足。为克服BP算法中的不足，基于附加动量法、自适应速率调整法、弹性算法、拟牛顿法、共轭梯度法、Levenberg-Marquardt法以及遗传算法(genetic algorithm，GA)等智能算法优化BP网络权值阈值等的改进算法被提出［6-8］，并在改进的BP神经网络算法中得到了应用［5，9］。Elman神经网络是一种典型的动态神经元网络，其网络结构及算法较BP神经网络有较大改善，但由于Elman神经网络是在BP神经网络的基础上改进而来，也采用BP神经网络算法进行权值修正，因此同样存在着学习速度较慢，易陷入局部极值等缺点。支持向量机(support vector machine，SVM)是一种通用的前馈神经网络，用于解决模式分类和非线性映射问题。……