基于集合经验模态分解的农业灌溉用水量预测

为提高农业灌溉用水量(非平稳时间序列)的预测精度,利用集合经验模态分解处理江苏省农业灌溉用水量序列(2004—2012年),将其分解成不同尺度上的平稳序列,然后用灰色预测和时间序列法分别对分解后的时间序列进行预测,利用2013年灌溉用水量数据检验预测结果,相对误差小于2%,表明模型预测结果精度较高。本研究为灌溉用水量预测提供了一种新的方法。     

基于小波分解的害虫发生非平稳时间序列分析和预测

将小波分解应用于害虫发生程度非平稳时间序列的分析和预测。通过小波分解,将非平稳时间序列分离为多个平稳分量,然后采用自回归滑动平均方法对各平稳分量分别进行分析和建模,最后将所有分量的模型进行组合,从而可以得到原非平稳时间序列的预测模型。在实例分析中,利用1959年至2004年烟台市一代玉米螟发生程度数据序列建立了预测模型,利用2005年至2009年的数据对模型进行了检验。检验结果表明:5年预测准确率达到了80%,预测效果令人满意。     

基于SVM算法的区域农田灌溉短期用水量预测方法

常规方法对区域农田灌溉短期用水量预测时易出现预测数据误差大,预测过程复杂等现象。设计基于SVM算法对区域农田灌溉短期用水量进行预测。以某沿黄区域位于全景属于黄河流域东南方向一区域农田为研究对象,首先基于SVM算法选择用水量特征,选取一对一的构造方法将农田灌溉短期用水量数据分为两个类别。通过SVM算法中支持向量机分类功能将农田灌溉短期用水量特征子集进行获取,并在此基础上可以根据特征子集通过预测模型进行用水量预测。由于用水量序列波动性较强,将GM(1,N)模型与机器学习算法LSSVR模型相结合来进行用水量预测,并确定模型评价指标。结果证明基于SVM算法的区域农田灌溉短期用水量预测方法误差在允许范围内且在农业中具有可使用性。     

小波时间序列在电离层TEC预报中的应用

将小波时间序列应用到电离层TEC的预测中,通过小波分解将逐天的TEC数据分解到小波频率通道上,得到对应于小波频率的小波系数列。对系数列作降噪处理并进行数学变换最终使数据趋于平稳,并进行时间序列模型预测,还原成系数列的预测值,最后还原成实际预测值。采用小波时间序列预测后5天480个样本点,准确率在80%以上占87%,90%以上占57%,相较于传统预测模型有较明显的提高。     

叶尔羌河年径流预测模型研究与应用

为提高叶尔羌河中长期径流预测精度,基于小波分析的基础上建立遗传算法优化BP神经网络的耦合模型,对60年叶尔羌河年径流时间序列进行研究。结果表明:耦合模型综合了两者的优势,在保留神经网络优良非线性拟合能力的同时,又融入遗传算法的容错性和全局搜索能力,提高预测径流时的学习速度和泛化能力。在对年径流进行预测时,其预测平均误差为-2.69%,而采用传统单纯的BP神经网络模型预测的平均误差为-10.25%。从预测误差检验以及模型的对比结果可知此模型合理、可行,因此该算法有助于解决叶尔羌河中长期径流预测问题。     

基于时间序列与小波分析耦合模型区域降雨量预测研究

为提高区降雨量预测精度,提出小波分析与时间序列组合模型。以黑龙江省虎林市858农场区为例,采用小波变换A Trous算法将小波信号分解,对分解后各小波变换序列互相关分析,随后运用时间序列分析分别对该农场周期项W 1(t)、随机项W2(t)、趋势项C2(t)模型求解,采用小波重构算法得到组合模型。运用该模型模拟该区1999~2014年降雨量,结果与实际测量值接近。预测未来3年短期降雨量,为指导区域农业生产及管理提供科学依据。     

基于集对分析聚类法对中国未来生活用水量的预测

目的利用集对分析思想,构建集对分析聚类预测模型对国内未来生活用水量进行长期预测,分析未来生活用水量及增长趋势,为有关部门决策提供参考意见。方法从2000年至2014年的《中国统计年鉴》中收集年居民生活用水量时间序列数据,利用聚类的思想,将2000年至2013年的生活用水量增长率分成3类,利用集对分析思想,计算居民生活用水量与影响因子人口总数的联系度,通过预测人口总数在未来的增长率,预测未来居民生活用水量及其增长速度。结果从聚类的结果可以看出,2001-2013年生活用水量除2012年有所回落外,一直呈增长态势,年增长率除2012年外均稳定在1.02~1.04之间;由预测的结果来看,2014-2025年的生活用水量均属于第二类,即增长率范围稳定在[0.9833,1.0273],到2025年生活用水量将达到869.06亿m3;将2010-2013年实际生活用水量增长率与预测生活用水量增长率进行比较,计算其预测误差均在2%以内。结论集对分析聚类预测模型对于生活用水量的预测具有较高的精度,可以较好地预测长期生活用水量。未来生活用水量呈现缓慢增长态势,在一定增长率水平下,2025年突破850亿m3。     

基于小波分解的日径流支持向量机回归预测模型

【目的】将小波变换与支持向量机结合,构建小波支持向量机回归模型(WSVR),并用其对日径流进行预测,为水库调度提供参考依据。【方法】利用径流时间序列中包含的大量信息,通过小波变换将径流时间序列分解成不同分辨率水平的子序列和近似序列,通过相关性分析选取有效子序列与近似序列相加得到的新序列作为支持向量机回归模型的输入,建立小波支持向量机回归耦合模型,以泾河流域张家山站的日径流为研究对象,利用均方根误差(RMSE)、平均绝对误差(MAE)、确定性系数(DC)、相关系数(R)及相对误差(RE)作为评价指标对模型预测精度进行评价。【结果】利用所建立的小波日径流支持向量机模型对张家山站日径流的预测结果显示,该模型在检验阶段的RMSE、MAE、DC、R及RE分别为26.05m3/s,8.26m3/s,0.826,0.910,-13.3%,与仅使用支持向量机回归模型(SVR)相比,耦合模型预测精度明显提高,且非汛期预测效果优于汛期。【结论】建立了小波支持向量机回归耦合模型,该模型可有效模拟和预测日径流,为日径流预测提供了新的途径。     

基于小波变换的GM(1,1)-ARIMA组合模型对粮食产量的预测

为提高粮食产量的预测精度,针对粮食产量的数据特点,提出了在小波变换的基础上,结合GM(1,1)模型与ARIMA模型的优点,建立GM(1,1)-ARIMA组合预测模型。首先,通过小波变换对非平稳序列进行分解,得到近似分量和细节分量;针对各分量序列的不同特征,采用灰色GM(1,1)模型对近似分量进行趋势预测,为进一步提高趋势信号的预测精度,使用灰色GM(1,1)模型对预测序列进行残差修正;然后,采用ARIMA预测模型对分离出的细节分量进行预测;最后,通过小波重构得到粮食产量的预测值。预测结果表明,基于小波变换的GM(1,1)-ARIMA模型的拟合平均误差为0. 69%,通过对2011—2014年粮食产量的预测,其预测平均误差低于1%,为粮食产量预测提供了一种新的技术途径。     

基于改进背景值的GM(1,1)模型的农业用水量预测

GM（1,1）模型可用于农业用水量的预测,但其精度还应提高。对传统的CU（1,1）模型进行原始数据序列光滑度和模型背景值构造方法的改进,先通过幂函数变换提高了原始数据序列的光滑度,在模型求解过程中采用改进的背景值算法,大大提高了模型的预测精度。将改进后的模型用于实际农业用水量的预测,结果证明改进后的模型具有很大优势。     

基于修正组合模型的包头市用水量预测分析

【目的】建立基于马尔科夫链修正的组合灰色神经网络模型,为城市用水量的准确预测提供支撑。【方法】在运用灰色关联性分析法确定用水量变化的主要影响因素的基础上,建立了基于马尔科夫链修正的组合灰色神经网络模型,将该模型应用于包头市2009和2010年的用水量预测,并将其预测结果与灰色模型、BP神经网络模型和组合灰色神经网络模型的预测结果进行比较。【结果】包头市用水量受人口、国内生产总值、工业总产值、建成区绿化覆盖率、耕地面积及工业用水重复利用率的影响较大,利用建立的基于马尔科夫链修正的组合灰色神经网络模型对包头市2009和2010年用水量进行预测,并与实际用水量进行比较后表明,其相对误差分别为0.16%和2.16%,均方根相对误差为1.53%,而灰色模型、BP神经网络模型和组合灰色神经网络模型的均方根相对误差分别为4.34%,3.08%和1.99%。可见,基于马尔科夫链修正的组合灰色神经网络模型的预测效果最好。【结论】基于马尔科夫链修正的组合灰色神经网络模型结合了各模型的优势,预测精度较高。     

城市用水量非线性组合预测方法研究

利用小波网络构造模型的优化组合函数,建立了城市用水量非线性组合预测模型.将非线性组合函数的拟合转化为小波网络参数的估计,采用遗忘因子法训练网络的权值,利用递推预报误差算法训练尺度因子和平移因子.实例表明,该方法具有很强的泛化能力与自适应数据和函数变化的能力,能够有效提高预测精度,克服了线性组合预测方法适应性不强的问题.     

基于灰色系统理论的宁夏万元GDP用水量预测

提出了用灰色系统理论进行万元GDP用水量预测的建模方法。通过对有限的原始数据的生成处理,把有起伏性的原始数列变成规律性强的序列,从而建立万元GDP用水量预测的灰色模型。经实际算例校核证明,该模型准确、方便、实用。     

城市水资源承载能力多目标分析

在分析城市水资源系统特点的基础上,讨论了城市水资源承载能力的概念,建立了城市水资源承载能力多目标分析模型和层次分析评价模型。实例分析表明,该模型和方法能够有效地用于城市水资源承载能力的研究。此外,还对城市水资源承载能力经济模型、社会目标度量、城市居民日生活用水量的预测和城市生态用水量计算进行了探讨。     

基于人均GDP差异的生活用水量模拟及增长潜力分析

【目的】分析城市居民人均生活用水量的增长潜力,为保障城市用水安全提供决策依据。【方法】以2009-2011年858个中国城市用水及相关数据为研究对象,应用线性回归模型、幂函数模型、对数函数模型和ANNBP模型,基于人均GDP的差异分别建立人均生活用水量模型,进行人均生活用水量的增长潜力分析。【结果】在不同的人均GDP水平下,模型对于高收入的数据样本最为敏感;线性回归模型、幂函数模型和ANN-BP模型的模拟效果较为接近,对数函数模型的误差最大。人均生活用水量增长潜力最大的是年人均GDP低于3万元的城市,增长潜力最小的为年人均GDP3~≤10万元的城市。【结论】基于人均GDP差异可以进行生活用水量的模拟与预测,人均GDP小于3万元的城市将成为人均生活用水量增加的主要来源。     

小波分析在农业气象灾害周期分析中的应用

利用小波变换时域局部性的特点,对南宁市1951—2006年的春季低温、寒露风、霜冻期、安全生育期的发生时间及天数的时间序列资料及1955-2006年历年最低气温的发生时间的时间序列资料进行了小波分析。研究了南宁市在不同时间尺度上的气象变化状况,指出以上气象变化的阶段性、周期性和突变性等特征,揭示了长期的气象资源信息变化规律。     

城市用水预测方法及对策分析研究

城市用水是城市形成与发展的重要因素。城市用水是整个城市水资源系统的一个重要环节,预测城市用水是实现城市水资源供需平衡的一项重要的基础工作,也是制定流域规划,城市供、排水规划以及国民经济计划的基础和依据。在此,主要研究了城市的生活用水预测和工业用水预测的计算方法。并以抚顺市为实例,分别用动态相关法和重复利用率提高法对抚顺市生活和工业用水进行了预测,预测结果为2010年抚顺市生活用水量是16870万t,工业用水量是35405万t。通过分析存在的主要问题得出:为保证抚顺市水资源可持续发展,还要加强水资源的统一管理,在全面节水的基础上,提高水的有效利用率。     

福建省社会消费品零售总额的预测

以2004年1月至2010年12月福建省社会消费品零售总额月度数据为样本,建立了时间序列季节模型和单整自回归移动平均（ARIMA）模型,并分别应用它们对2011年各月的指标值进行了预测。在此基础上进行组合预测,得出了2011年1-12月福建省社会消费品零售总额的预测值。预测结果对更好地引导消费具有重要作用,模型建立的过程和方法能为相关研究提供借鉴。     

基于小波变换灰度模型-人工神经网络(GM-ANN)组合的粮食产量预测模型

由于粮食生产受到社会、经济和气候等多方面因素的影响,造成粮食产量序列的复杂性、随机性和非平稳性。为了准确预测粮食产量,提出基于小波变换的灰度模型(GM)-反演(BP)神经网络[BP神经网络是人工神经网络(AMNN)的一种]相结合的预测方法,首先利用小波变换将非平稳序列转化为若干不同频率分量的平稳序列;然后针对各序列使用灰色GM(1,1)模型建立预测模型,为了进一步提高模型的预测精度,结合BP神经网络对预测残差进行修正;最后通过组合得到粮食产量的预测模型。通过对2011—2014年我国粮食产量数据的预测,表明所提方法的预测精度明显高于GM(1,1)和BP神经网络预测模型,4年的平均预测误差小于1%,能够较准确地预测我国粮食产量。     

基于经验模态分解和小波神经网络的温室温湿度预测

温室温湿度的准确预测有助于及时调节温室小环境,温湿度预测模型是温室控制的重要基础,提高预测精度有助于提高生产水平。针对温室系统具有非线性、非平稳性等特点,提出一种基于经验模态分解(empirical mode decomposition,简称EMD)和小波神经网络(wavelet neural network,简称WNN)的温室温湿度组合预测方法。首先,利用经验模态分解方法将原始时间序列分解成一系列分量;然后对各分量分别构建小波神经网络模型进行预测;最后叠加各子序列得到预测值。结果表明,运用EMD-WNN组合的温度模型有效性为0. 993 4,湿度模型有效性为0. 978 1,且优于单独WNN模型和BP神经网络模型的预测结果,可有效提高短期温室温湿度预测的精度。