灌溉用水需求预测方法初步研究

准确的分析预测灌溉用水需求及需水结构,对合理选择区域经济发展模式与发展速度至关重要。但由于问题本身的复杂性、影响因素的不确切性、特别是预测方法的局限性,使得目前需水预测误差较大。在剖析现有主要灌溉用水需求预测方法基础上,提出了需水预测模型应该考虑的基本原则及将时间序列分析的滑动平均模型、回归分析模型和人工神经网络模型有机结合构建的非线性自回归滑动平均的动态神经网络模型。     

粒子群算法在城市需水预测模型中

需水预测是确定城市水资源规划和管理决策的重要依据,其预测精度受到诸多因素的影响,具有较大的不确定性和模糊性。作为一种新型集群智能进化算法,粒子群优化算法具有容易理解,易于实现,不要求目标函数和优化条件可微等特点,十分适合应用于非线性模型参数的拟合问题中,因此本文将其引入需水预测领域,用来拟合需水预测指数模型中的参数并应用两篇文献中的实例检验建立的模型。检验结果表明,相对于复杂模型,用粒子群算法拟合该模型不仅容易实现而且具有更高的预测精度,因此在需水预测中有很强的适用性。     

核最小均方算法的特征映射和参数选择

核函数定义了输入空间到高维特征空间的映射。运用多项式定理,推导多项式核函数和高斯核函数的特征映射函数,找到无限维向量的定义,比较两种特征映射的关系。结合最小均方算法,分别使用两种核函数解决非线性时间序列中高斯噪声时短期预测问题,比较了两种核函数下的核最小均方算法,分析了两种算法在非线性系统短期预测中的鲁棒性和收敛性能,并进行参数选择,提供了一种易于操作的非线性滤波器设计方法。     

基于多元混沌时间序列的数控机床运动精度预测

为了解决有限长度且含有噪声时的单元精度时间序列相空间重构中的信息丢失问题,提出了基于多元混沌时间序列的数控机床运动精度预测方法。首先,引入多元相空间技术,将多个精度特征量时间序列映射到高维相空间,建立多元精度状态空间。然后采用主成分分析法,对高维相空间实现降维,去除冗余。最后,构建一种小波神经网络模型,将重构信息输入到预测模型中训练,实现对数控机床运动精度的预测。实验表明,该方法能够很好地分析数控机床运动精度变化规律,比单元混沌时间序列方法有更好的预测效果,且适应性和实用性更强。     

核主成分分析方法在农业机械性能综合评价中的应用

核主成分分析(KPCA) 方法是通过非线性变换,将指标原变量空间映射到高维特征空间,并在高维特征空间中进行主成分分析的方法.为此,将该方法应用于农业机械性能综合评价的研究中,不仅实现了数据降维,而且还有效地处理了各指标的非线性影响,与其它评价方法相比较,评价结果更客观且指导性较强,取得了良好的效果.     

基于主成分分析的支持向量机需水预测模型及其应用

需水预测是水资源优化配置、水资源规划和水资源管理的重要依据,其预测精度受到众多因素的影响,且实际用水量数据时间系列较短,制约了传统预测方法的应用。利用支持向量机在对小样本学习的基础上对其他样本进行快速、准确的拟合预测的特点,采用主成分分析与支持向量机相结合的方法,首先利用主成分分析法筛选需水量的主要影响因子,然后将其作为输入样本,对支持向量机模型进行训练和检验,寻找最优模型,并将该方法应用于洛阳市需水预测。结果表明,该模型预测结果平均相对误差为-0.83%,预测精度较高,可作为训练样本较少情况下的一种需水预测方法。     

基于灰色关联分析的支持向量机需水预测研究

近年来需水预测一直被高度重视,由于实际需水预测涉及因素众多难以考虑全面、历史资料的局限性以及需水变化影响因素考虑不足等,各种需水预测方法均存在一定局限性,导致预测结果与实际用水量有较大差别.针对以上问题,考虑采用灰色关联分析与支持向量机结合的方法进行需水预测,根据灰色关联分析方法辨识得到的各类用水主要影响因素,构建支持向量机需水预测模型.以郑州市实际用水量为例,对各部门用水分别建立基于灰色关联分析的支持向量机非线性需水预测模型,结果表明,此方法用于需水预测能够比较全面的考虑需水量影响因子,预测结果精度较高,可作为小样本情况下一种较好的需水预测方法.     

基于偏最小二乘回归的投影寻踪耦合模型在参考作物腾发量预测中的应用

根据朝阳气象站的实测气象数据(温度、湿度、日照时数、风速、蒸发量、降水量),提出基于偏最小二乘回归的投影寻踪耦合模型用于预测朝阳地区参考作物滕发量.偏最小二乘回归方法能够有效地处理自变量间多重线性相关问题,但对处理因变量与自变量间复杂的非线性问题较差,而投影寻踪回归模型有效解决了非线性问题.把这2种方法结合在一起,建立了基于偏最小二乘回归的投影寻踪耦合模型,用于该地区参考作物滕发量的预测.并将耦合模型预测的ET0结果与Penman-Monteith公式计算的ET0结果进行比较,该耦合模型预测精度较高.     

区间灰数模型在工业需水预测中的应用

工业需水预测对于有效的水资源管理有重要的作用。依据区间灰数的灰色预测模型,采用区间灰数标准化,将常年工业需水统计数据分解成基于实数形式的"白部"和"灰部"建立预测计算模型,完成山东省工业需水量序列数据的预测。预测效果验证了区间灰数的灰色预测模型的有效性及实用性,为工业需水量数据预测提供了一种计算方法,有助于水利管理部门更有效地进行水资源管理。     

等维动态递补灰色模型改进及应用研究

针对等维动态递补灰色模型对波动性数据预测的局限性,提出了缓冲算子等维动态递补灰色模型,改进了原有模型对波动性数据预测误差较大的问题。利用成都市2008—2013年的用水统计资料,在验证了模型的实用性后,分别建立了传统的GM(1,1)模型、等维动态递补GM(1,1)模型以及带有弱化缓冲算子的等维动态递补GM(1,1)模型,对成都市2016、2020、2025年各类用水量进行预测分析。结果表明,改进后的模型预测精度高,实用性好,能给成都市未来的水资源规划与管理提供可靠的依据。     

应用灰色新陈代谢GM(1,1)模型预

研究了灰色系统理论在中长期城市需水量预测中的应用。由于常规GM(1,1)模型被用于预测时，精度较高的仅仅是最近的几个数据，越往未来发展，该模型的预测意义就越弱。针对常规GM(1,1)模型存在的不足，建立了灰色新陈代谢GM(1,1)需水量预测模型。并利用此模型对北方某缺水城市未来10年的需水量进行了预测。结果表明：模型精度较高，预测误差较小。对于中长期城市需水量预测这样复杂的问题, 灰色新陈代谢预测模型具有预测精度高、简捷实用等优点，该方法可作为中长期城市需水量预测预测的工具之一。     

基于GA优化AR-LSSVR组合模型在区域降雨量预测中的应用研究

为了提高地区降雨量的预测精度,提出遗传算法优化的时间序列最小二乘支持向量机回归组合模型。首先利用时间序列分析法对858农场年降雨量数据进行拟合,其次对拟合后实际数据与拟合数据产生的绝对误差运用最小二乘支持向量机进行训练,较好地解决了小样本、高维数、非线性和局部极小问题,同时避开了传统的网格搜索法在大范围内寻找参数费时等缺点,采用遗传算法寻找最佳的惩罚参数c和核函数参数g,训练结果与实际测量值接近,预测精度较高,并对未来3a的降雨量进行了预测,为858农场未来水资源规划、合理制定灌溉制度、抗旱防涝提供了重要的科学依据。     

基于模糊数据挖掘的灌区水资源配置研究

在分析灌区大数据资源构成的基础上,构建了面向水资源配置的数据挖掘算法;汇聚某行政区域水资源、经济、人口、行业用水等数据,运用模糊层次聚类分析方法,对行政区域内行业间的配水案例进行分类及特征分析;采用固定步长穷举法对灌区配水相关参数进行动态赋权;运用模糊距离匹配相似灌区,通过构造加权影响因子和采用指数平滑法,对基于实例推理的灌区进行需水量预测。将建立的方法应用于2018年浙江省11个市行政区行业间配水特征分析和中型灌区需水量预测,结果表明:浙江省不同区域行业间配水被划分为4类,呈现出不同行业间的配水特征,灌区需水量预测相对误差均不大于9.39%,说明该方法有效,可为制定合理的区域行业间配水方案、估算灌区需水量提供决策支持。     

城市工业用水量的灰色马尔可夫预测模型

灰色GM(1,1)是预测城市工业用水量的模型,这种模型不适合长期的、随机和波动性较大的数据序列预测,但是马尔可夫模型适合描述随机波动性较大的预测问题.可以将这两种模型结合,构建灰色马尔可夫预测模型.按特定的状态划分方法,先用灰色GM(1,1)预测模型进行预测,再用马尔可夫模型预测结果进行优化,使预测精度大大提高.最后以抚顺市为例,预测结果证明了该模型的优势.     

基于深度学习的多种农产品供需预测模型

为进一步提高农产品供需过程模拟与估算精度,本研究以自1980年以来国家级和省级的大量农业数据作为样本,充分考虑农产品品种、时间、收入、经济发展等因素影响,构建基于深度学习长短时记忆神经网络（Long Short-Term Memory Neural Network,LSTM）的多种农产品供需预测模型。模型在充分考虑机理性约束条件的前提下,利用深度学习算法在非线性模型分析预测中的优势,对稻谷、小麦、玉米、大豆、猪肉、禽肉、牛肉、羊肉、水产品等9种主要农产品供需进行分析预测。将基于本模型的2019—2021年产量预测结果与国家统计局公布数据进行对比验证,三年平均预测准确率96.98%,表明本研究构建的预测模型能够高效地反映隐性指标变化对预测结果的影响。该模型可以通过及时地监测农业运行数据,为多区域、跨期的农业展望工作提供智能化技术支持。     

pp模型在甘南县节水灌溉模式优

针对甘南县节水灌溉模式决策问题，采用高维降维技术——投影寻踪分类模型（PPC），利用基于实数编码的加速遗传算法（RAGA）优化其投影方向，将多维数据指标（样本评价指标）转换到低维子空间，根据投影函数值的大小评价出样本的优劣，从而做出决策，最大限度地避免了模糊综合评判中权重矩阵取值的人为干扰，取得了满意的效果，为节水灌溉模式决策及其它评判决策问题提供一条新的方法与思路。     

基于贝叶斯神经网络的农田分区灌溉需水量模拟分析

针对农田分区灌溉需水量模拟过程中普遍存在的求解过程易陷入局部最小化、出现过度拟合,以及过度依赖历史用水数据,导致最终模拟结果存在显著误差的问题,研究基于贝叶斯神经网络的农田分区灌溉需水量模拟分析方法。以前一周需水量、年内月需水量占比、日内温度上限值及日降雨量为指标,通过聚类分析获取指标数据均值,对农田分区灌溉历史用水的样本数据进行聚类分析。构建贝叶斯神经网络模型,将指标数据均值输入模型,根据BP神经网络原理与贝叶斯规则训练指标数据,然后输出农田分区灌溉需水量模拟结果。试验结果显示数据聚类结果中数据间关联度高于95%,数据拟合效果较好,模拟需水量时具有更高的精度与稳定性。      

基于LSTM的温室番茄蒸腾量预测模型研究

作物蒸腾量是指导作物灌溉关键参数之一,实时获取作物蒸腾量,实现按需灌溉是节约用水的有效途径。然而,温室内小气候效应显著,作物蒸腾与环境因子间关系较为复杂,且各环境因子之间相互关联并呈非线性变化。本文以番茄作为研究对象,使用称量法测量作物实时蒸腾量,通过布设传感器实时获取温室小气候数据,包括空气温度(Air temperature, AT)、相对湿度(Relative humidity, RH)、光照强度(Light intensity, LI)作为模型的小气候环境输入,冠层相对叶面积指数(Relative leaf area index,RLAI)作为模型的作物生长输入,在此基础上,提出了基于长短期记忆网络(Long short term memory, LSTM)的番茄蒸腾量预测模型。利用该模型对番茄蒸腾量进行预测,并与非线性自回归(Nonlinear autoregressive with exogeneous inputs, NARX)神经网络、Elman神经网络、循环神经网络(Recurrent neural network, RNN)模型进行了对比。试验结果表明,LSTM预测模型决定系数(Determination coefficient, R2)与平均绝对误差(Mean absolute error, MAE)分别为0.9925和4.53g,与NARX神经网络、Elman神经网络、RNN方法进行对比,其决定系数分别提高了8.97%、1.18%和0.82%,其平均绝对误差分别降低了8.16、6.23、0.52g。本研究所提的预测模型具有较高的预测精度及泛化性能,研究成果可为温室作物需水规律及需水量研究提供参考。     

海伦市用水现状与2020年需水预测

【目的】预测城市的生活、工业、农业用水的需水,对城市的规划、经济发展以及供水系统的管理及扩建提供可靠依据。【方法】使用水平衡分析法及线性回归分析和大量的数据运算,通过线性回归分析现状年及2013—2017年用水量分析了海伦市用水现状并预测了2020年需水量。【结果】2020年海伦市城镇居民生活用水为774.66万m~3,农村居民生活用水量为1 622.32万m~3,2020年海伦市工业需水量为0.061亿m~3,2020年海伦市农业需水总量为3.64亿m~3。【结论】预测年2020年供水量大于需水量。