原创《混沌局域法和神经网络组合供水量预测》：这是一篇与神经网络论文范文相关的免费优秀学术论文范文资料,为你的论文写作提供参考。
摘 要：城市供水量是非线性、非平稳时间序列,组合预测模型能获得更高精度预测结果.通过深入分析混沌局域法和神经网络预测模型特点,提出了一种新的组合预测模型.首先,应用混沌局域法对城市日供水量进行初预测,然后,应用神经网络对预测结果进行修正.由于所提出的组合模型利用了混沌局域法及神经网络进行优势互补,能同时提高预测精度和计算效率.为验证所提出组合预测模型的可行性,采用某市7 a实测供水量数据,对混沌局域法、BPNN、RBF及GRNN神经网络4种单一预测模型及相应的3种组合模型预测精度进行定量分析,结果表明,组合预测模型精度都高于对应单一预测模型,混沌局域法和GRNN神经网络组合模型预测精度最高,且运算时间远低于单一神经网络模型运算时间.
关键词：混沌局域法；神经网络；组合模型；日供水量预测
中图分类号：TP183
文献标志码：A 文章编号：1674-4764（2017）05-0135-05
Abstract：Urban water supply is a nonlinear and non-stationary time series, and the combination forecasting model can get more accurate results. Through in-depth analysis of chaotic local-region method and neural network prediction model, this paper puts forward a new combination forecasting model, which uses chaotic local-region method to make a preliminary forecast for urban daily water supply, and then the prediction result is updated by neural network. The proposed combined model makes use of complementary advantages of the chaotic local-region method and the neural network, improving synchronously the accuracy and computational efficiency of the prediction results. To verify the proposed model, the prediction accuracy of the four single prediction models of Chaotic local-region method,BPNN, RBF and GRNN neural network and three corresponding combined models are analyzed quantitatively using seven years water supply data. The results show that combination forecasting model is of higher accuracy than single prediction model, and chaotic local-region method plus GRNN neural network combination model has highest accuracy with much lower computation time than single neural network predication model.
Keywords：chaotic local-region method； neural network； combination model； daily water supply forecast
城市供水量預测能辅助供水调度,提高水厂管理水平和生产效率,一直是学者们关注的重点课题[1-2].供水量预测模型可分为传统预测模型和基于新技术预测模型[3],传统模型需对数据序列性质进行假设,例如,平稳性假设或周期性假设,若假设不合理,得出的预测模型则会严重失真；基于新技术的预测模型通过非线性、自适应学习方法构建模型,能克服传统预测模型缺点.如Tiwari等[4]提出了一种基于小波技术的神经网络供水量短期预测模型,结果表明,其预测精度比传统ARIMA、ARIMAX和WNN方法高.Bai等[5]分析了供水量序列的混沌特性,利用自适应混沌粒子群优化RVM模型参数,提出一种多尺度的RVM供水量预测组合模型.陈敏等[6]根据混沌理论计算重构相空间嵌入维数,用于确定BP神经网络隐藏层节点个数,提高了预测精度.
从信息利用角度来看,单一预测模型只能利用数据部分有效信息,仅能从一个侧面刻画数据序列规律,具有一定局限性；组合预测模型通过优势互补,能更大程度挖掘数据信息,可望获得更高精度预测结果.神经网络和混沌理论模型作为目前最广泛使用的两种新技术预测模型,都展现出较高的预测精度,但针对二者的组合预测模型研究较少.通过深入分析,笔者发现,基于混沌理论的预测模型[7],例如：全域法、局域法等,其特点是能在海量数据样本中迅速挖掘时间序列总体趋势,但对局部细节预测能力较差.相较而言,神经网络模型[8-9]非线性拟合能力更强,能更准确追踪局部细节,但当样本数据量较大时,神经网络预测模型存在训练时间长、收敛慢且预测结果不确定的缺点.鉴于此,提出了一种新的组合预测方法,首先,利用混沌预测模型对数据序列总体趋势进行初预测,然后,应用小样本训练神经网络对预测结果进行局部修正,实现二者的优势互补,进而能同时提高预测结果精度和计算效率.考虑混沌局域模型能较好处理实际中存在噪声的预测问题,采用加权一阶局域法进行初预测,重点研究了其和不同类型神经网络的组合预测效果,并采用某市的实测供水量数据对单一模型及组合模型的预测精度、运算时间进行定量分析.
神经网络论文参考资料：
结论：混沌局域法和神经网络组合供水量预测为关于本文可作为神经网络方面的大学硕士与本科毕业论文深度神经网络算法论文开题报告范文和职称论文论文写作参考文献下载。
