深圳特区需水量预测系统.pptVIP

日需水量的神经网络模型

对2000年9月1日～9月7日日需水量进行了预测，预测的绝对平均误差2.15%。返回*第94页，共137页，星期日，2025年，2月5日日需水量的灰色模型

采用2000年8月1日～8月31日日供水量数据构成日供水量序列，建立日需水量灰色预测模型，可得到类似如下的灰色模型的时间相应方程为式：式中发展系数说明日供水量没有明显的发展趋势。*第95页，共137页，星期日，2025年，2月5日日需水量的灰色模型

对2000年9月1日～9月7日日需水量进行预测，预测绝对平均误差3.25%。返回*第96页，共137页，星期日，2025年，2月5日

供水量的时周期性

*第62页，共137页，星期日，2025年，2月5日

影响供水量的周期性的外在因素

用水量不但存在以上的内在特性，但同时也伴随着一定的波动。一般而言，需水量的变化受多种因素的制约，并且这种因素对用水量变化规律的影响互不相同，从而构成了用水量变化的波动性。*第63页，共137页，星期日，2025年，2月5日

影响供水量的周期性的外在因素

按影响因素的作用时间及效果的角度来分，一般可按其表现分为两类：一类是宏观影响因素，宏观影响因素是指那些对用水量具有长期效应的影响因素，具有全局性。例如，水价的调整；另一类是微观影响因素，微观影响因素是指那些对用水量的影响具有短期效应的因素，它们的影响表现为短期时间内用水量的相对波动性，例如温度、天气状况、节假日等因素都是典型的微观影响因素。返回*第64页，共137页，星期日，2025年，2月5日时需水量预测模型

时需水量的影响因素时需水量的时间序列模型时需水量的神经网络模型时需水量的灰色预测模型时需水量的组合预测模型时需水量预测模型的比较分析返回*第65页，共137页，星期日，2025年，2月5日时需水量的影响因素

受自然增长内在规律的影响随季节因素的影响受气温、天气状况等气象因素的影响受节假日的影响受突发事件的影响返回*第66页，共137页，星期日，2025年，2月5日时需水量的时间序列模型

连续一段时间内同一时间点的时供水量曲线是平稳序列，一天24小时构成下面的序列：*第67页，共137页，星期日，2025年，2月5日时需水量的时间序列模型

序列长度的选取根据“近大远小”的原则，选用预测日前一个月的时供水量数据。采用时间序列法对上述序列建立一天内24小时的相应的24个时间序列模型，然后对预测日24小时的时供水量进行预测。采用深圳市2000年8月1日～8月31日时供水量数据构成时间序列，建立了时需水量时间序列模型，模型对原始序列的拟合误差如下表：*第68页，共137页，星期日，2025年，2月5日时需水量的时间序列模型

对2000年9月1日～9月7日时需水量进了预测，预测的绝对平均误差2.79%。返回*第69页，共137页，星期日，2025年，2月5日时需水量的神经网络模型

网络输入层的确定为了体现气象因素对时需水量的影响，把平均温度、最高温度当作神经网络的两个输入节点，把天气状况因素根据调度人员的生产调度经验，将天气状况、节假日因素对时需水量的影响数字化如下表：*第70页，共137页，星期日，2025年，2月5日时需水量的神经网络模型

*第71页，共137页，星期日，2025年，2月5日时需水量的神经网络模型

网络的输入节点矩阵可以表示为：网络的输出节点矩阵可以表示为：*第72页，共137页，星期日，2025年，2月5日时需水量的神经网络模型

网络隐含层的确定网络隐含层节点数决定着神经网络的性能，对于一个非线性函数，要求网络具有一定隐含层，隐含层数太大，不但增加了网络学习计算量，还使网络的泛化能力下降，即不能识别未学习过的样本值，容错性差；隐含层数太小，又不能以较高的精度逼近非线性函数。*第73页，共137页，星期日，2025年，2月5日时需水量的神经网络模型

根据Kolmogorov定理：对于任意连续的函数，可以用有一个三层网络来精确地实现它，网络的输入层有个单元，隐含层有个单元，输出层有个单元。确定出隐含层节点数的理论值后，再通过试凑法对区间内的数值进行对比（为理论隐含层节点数），从而得出神经网络模型的最佳隐含层节点数。*第74页，共137页，星期日，2025年，2月5日时需水量的神