The invention discloses a BP neural network forecasting method for daily water consumption of residential communities based on correlation analysis. Firstly, the influencing factors of daily water consumption are analyzed by correlation analysis theory, and the influencing factors are sorted according to the magnitude. Then, the daily water consumption sequence is analyzed by partial autocorrelation theory, and the internal storage of daily water consumption time series is found. In the correlation, the optimal delay time is determined, and then the input variables are determined. A BP neural network community water consumption prediction model based on correlation analysis is established. When the model is trained, the data sequence formed by disrupting the daily water consumption in time sequence is used as training set, which breaks through the limitation of time series, eliminates the influence of time factors and improves the generalization ability of prediction methods.
【技术实现步骤摘要】
一种基于相关分析的BP神经网络用水量预测方法
本专利技术涉及一种基于相关分析的反向传播(BP,BackPropagation)神经网络居民社区日用水量预测方法,属于水资源管理
技术介绍
水资源是人类社会进步发展的不可替代的重要自然资源,生命之源泉。城市发展中工业、农业、生活无时无刻不在用水,用水量逐年增加,而水污染日益严重。据统计,在我国600多座建制市中,有近400座城市缺水,其中缺水严重的城市达130多个,全国城市每年缺水60亿立方米,日缺水量已超过1600万立方米。缺水给城市工业产值造成的损失在1200亿元以上,且呈增长之势。水的短缺已经成为当前经济社会发展的重要制约因素。社区用水是城市水资源消耗的重要组成部分,合理的社区用水预测是区域水资源配置、水资源有效管理和节约水资源的重要基础。针对这一问题,现有的技术方案是:严旭等人在文章《基于遗传算法的BP神经网络在城市用水量预测中的应用》中,将预测时间点的临近时刻用水量和前3天同段时间内的用水量等15个变量选作输入变量,带入预测模型对城市时用水量进行预测;储诚山等人在文章《基于遗传算法和BP神经网络的用水量预测》中,将预测日的最高温度、最低温度、平均温度、气候类型和预测日前1天的最高温度、最低温度、平均温度、气候类型、日用水量等9个变量作为输入变量,输入预测模型,对城市日用水量进行预测;周艳春等人在文章《基于BP神经网络工具箱的城市短期用水量预测》中,将前两天和前一天的天气状况、日最高温度等16项作为输入数据,带入模型预测某天t时刻的用水量。
技术实现思路
经分析,发现现有技术存在如下缺点:1)输入 ...
【技术保护点】
1.一种基于相关分析的反向传播(BP,Back Propagation)神经网络居民社区日用水量预测方法,所述BP神经网络为三层BP网络,包括n个输入层神经元,p个隐含层神经元和1个输出层神经元,该方法包括如下步骤:首先对样本数据进行相关分析,确定输入变量;然后利用打破严格时间序列的训练集确定预测模型的参数以确定预测模型;最后,利用该BP神经网络预测模型进行预测,输出结果。
【技术特征摘要】
1.一种基于相关分析的反向传播(BP,BackPropagation)神经网络居民社区日用水量预测方法,所述BP神经网络为三层BP网络,包括n个输入层神经元,p个隐含层神经元和1个输出层神经元,该方法包括如下步骤:首先对样本数据进行相关分析,确定输入变量;然后利用打破严格时间序列的训练集确定预测模型的参数以确定预测模型;最后,利用该BP神经网络预测模型进行预测,输出结果。2.根据权利要求1所述的方法,所述打破严格时间序列是指打乱训练集按照时间先后顺序排列而形成的数据序列,突破时间序列的限制,消除时间因素的影响。3.根据权利要求2所述的方法,其中确定预测模型包括:(1)参数初始化;(2)输入训练集数据,计算各层输出;(3)计算输出层误差;(4)判断是否达到误差精度,(5)如果没有达到误差精度,则根据输出层误差调整各层权值和阈值,返回步骤(2);(6)若达到误差精度,则确定BP神经网络预测模型。4.根据权利要求3所述的方法,所述相关分析包括判定天气状况、节假日等各影响因素对居民社区用水量的影响,利用相关系数检验法进行相关分析。5.根据权利要求4所述的方法,所述相关分析包括根据相关分析理论计算居民日用水量Y与影响因素X之间的相关系数r:其中xi和yi分别为影响因素X和居民社区用...
【专利技术属性】
技术研发人员:刘心,刘龙龙,李文竹,
申请(专利权)人:河北工程大学,
类型:发明
国别省市:河北,13
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。