[发明专利]一种基于BP神经网络区间需水预测方法

说明书

本申请公开了一种基于灰色关联分析下的遗传算法优化反向传播神经网络区间需水预测方法。该方法首先利用灰色关联分析方法对原始数据进行处理，找出校园用水的主要因素；然后选用BP神经网络作为预测算法，采用遗传算法对BP神经网络进行优化，得到状态最优的BP神经网络进行预测；再通过输出的点的预测值和实际值的残差来寻找最优的预测区间上下界，可以准确地预测用水量在未来时段的波动范围。与传统BP预测方法相比，本申请的需水预测方法更加有效，精确度更高。

技术领域

本发明涉及一种基于灰色关联分析下的遗传算法优化反向传播(BackPropagation，BP)神经网络区间需水预测方法，属于水资源管理和通信网络技术领域。

背景技术

水利是国民经济和社会发展所必需的基本要素，为社会的发展、粮食和生态环境安全提供重要保障。社会进步和经济发展越快,水资源面临的问题就会越多。因此,进行合理有效的水资源需求预测才能达到合理利用城市水资源、有效供水的目的。

目前需水预测中采用的方法都具有一定的局限性。由于实际的需水预测涉及到人口、经济、社会政策、生态等各方面因素,单一地采用一些数学手段只能反映出一些平稳的几何增长过程,所以预测结果会与实际用水量有差别。而且当前大多采用的预测方法都属于点预测，其缺点是无法确定预测结果可能的波动范围。由于需水预测中蕴含了各种不确定因素，使得决策工作必然面临一定程度的不确定性。

针对这一问题，现有的常用技术方案有两种：一种是灰色预测方法，此方法是直接通过对原始数据的累加生成寻找系统的整体规律,构建指数增长模型。该方法能根据原始数据的不同特点,构造出不同的预测模型,对长、短期预测均适用,且所需数据量不大,在数据缺乏时十分有效。但是对历史用水数据具有很强的依赖性，而且没有考虑各影响用水因素之间的联系。另外一种是回归分析法，此方法是寻求用水量与其影响因素之间的相关关系,建立回归模型进行预测。该方法在系统发生较大变化时,可以根据相应变化因素修正预测值,故适用于长期预测,而对于短期预测,由于用水量数据波动性很大、影响因素复杂,一般不宜采用。

发明内容

经分析，发现现有技术在进行需水预测过程中，没有考虑到影响因素比较多，用水数据比较单一的问题。

基于此，本申请提出一种基于灰色关联分析的遗传神经网络的组合预测方法。本申请所述方法采用灰色关联分析方法，首先对原始数据进行等效性、同序性处理，然后进行灰色关联系数及关联度求解，求出各个因素的关联度，最后进行关联度排序，找出校园用水的主要因素；然后采用BP神经网络作为预测算法，同时，采用遗传算法选取BP神经网络的最佳连接权值和阈值，得到状态最优的BP神经网络。

本发明采用下述的技术方案：

一种基于BP神经网络的区间需水预测方法，该组合方法主要包括灰色关联分析、遗传算法优化神经网络几个部分。

通过灰色关联分析来对校园用水数据进行处理，求出关联系数和关联度，通过比较大小和进行排序，找到影响校园用水的主要因素。

然后通过对数据的分析，将历史数据以及对校园需水影响最大的几个因素作为输入量，输入到BP神经网络中，经过其三层结构，各层神经元对影响因素发生作用以后，生出输出量。神经网络的权值和阈值经过遗传算法的优化，用适应度函数进行计算，求出适应度值，经过选择、交叉和变异操作，以此找出适应度最优个体。再以输出误差为目标函数，修正误差直到达到要求后，经过训练后的神经网络就可以进行预测。

其中遗传算法的主要参数设置如下：种群大小设置为10，迭代次数设置为50，交叉概率设置为0.4，变异概率设置为0.2。BP神经网络的主要初始参数设置如下：训练次数设置为100，学习率设置为0.03，训练误差设置为0.05。