根据城市用水量系统具有非线性和随机波动性的特点,为了充分发挥组合灰色神经网络预测模型能够综合单变量预测及非线性处理的优势,同时降低组合权系数计算方法的不确定性对模型预测效果的影响,论文提出了基于马尔科夫链修正的组合灰色神经网络预测模型。将其应用于1980—2009年青海省城市用水量序列的拟合分析,并预测其2010、2015以及2020年的城市需水量。结果表明:基于马尔科夫链修正的组合灰色神经网络预测模型预测结果的误差更小,精度更高。
Urban water demand system is always nonlinear and stochastic, although combination model based on Grey Model and BP Neural Network has strength both on single variable forecasting and nonlinear problem, its weight coefficient calculating is uncertain and would affect forecasting result. Therefore, a combination model based on Grey Model and BP Neural Network and amended by Markov chain is set up to forecast Qinghai eight cities’water demand. The water consumption of Qinghai from 1980 to 2009 is used to verify this amended combination model and forecast eight cities’water demand in 2010, 2015 and 2020. The forecasting result shows that the combination model based on Grey Model and BP Neural Network and amended by Markov chain has smaller deviation and higher forecasting precision accuracy.
[1] 龙训建, 钱鞠, 梁川, 基于主成分分析的BP神经网络及其在需水量预测中的应用[J]. 成都理工大学学学报报, 2010, 37(2): 206-210.
[2] 章柏红, 谢孔峰. 灰色-马尔柯夫连预测建模方法及其应用[J]. 海南师范大学学报, 2008, 21(4): 469-471.
[3] 蒋绍阶, 江崇国. 灰色神经网络最优权组合模型预测城市需水量[J]. 重庆建筑大学学报, 2008, 30(2): 113-115.
[4] 朱新国, 张展羽, 祝卓. 基于改进型BP神经网络马尔科夫模型的区域需水量预测[J]. 水资源保护, 2010, 26(2): 28-31.
[5] 邓聚龙. 灰色系统基本方法[M]. 武汉: 华中工学院出版社, 1987: 96-108.
[6] 任焕莲. 基于灰色GM(1, 1)模型的城市需水量预测研究[J]. 水利与建筑工程学报, 2007, 5(3): 51-53.
[7] 张成才, 崔雅博, 胡彩虹. 需水量预测方法研究[J]. 气象与环境科学, 2009, 32(1): 1-4.
[8] 徐丽娜. 神经网络控制[M]. 北京: 电子工业出版社, 2004.
[9] 刘勇, 陈元芳, 王银堂等. 基于OSR-BP神经网络的丹江口秋汛期径流长期预报研究[J]. 水文, 2010, 30(6): 32-36.
[10] 李学桥, 马莉. 神经网络——工程应用[M]. 重庆: 重庆大学出版社, 1996.
[11] Bastes J M, Granger C. The combination of forecast [J]. Operation Research Quarterly, 1969, 20: 451-468.
[12] 唐小我. 组合预测计算方法研究[J]. 预测, 1991, 10(4): 35-40.
[13] 周素霞, 王明智, 夏训峰, 等. 最优组合预测模型在城市生活垃圾清运量中的应用[J]. 环境科学与技术, 2010, 33(9): 197-200.
[14] 沈亮, 谢焕田. 基于组合模型的城市供水预测及水价调整决策[J]. 统计与决策, 1996(16): 46-48.
