[发明专利]一种基于相关分析的BP神经网络用水量预测方法

权利要求书

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。

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x_i和y_i分别为影响因素X和居民社区用水量Y第i天的数值， 和 分别为X和Y的均值，i=1,2，…n。

6.根据权利要求5所述的方法，所述确定输入变量包括用偏相关分析理论计算偏自相关系数度量居民社区日用水量时间序列内部存在的相关关系。

7.根据权利要求6所述的方法，用水量样本集为Y(t)=y₁，y₂，y₃，…，y_n,其偏自相关系数为

式中，k为延迟时间，即时间间隔，k=1,2，…,m；为均值；r_k为偏自相关系数。

8.根据权利要求7所述的方法，确定r_k第一次过零点时所对应的k值为最优延迟时间；对于当延迟时间很大时r_k才趋近于零的情况，最佳延迟时间取r_k第一次小于时所对应的k值。

9.根据权利要求1所述的方法，设隐含层第j个神经元的阈值为θ_j，则隐含层第j个神经元的输入为

式中，W_ij是第i个输入神经元与第j个隐含层神经元的连接权值；z_i为输入变量输入时第i个神经元的输入值；隐含层第j个神经元的输出为b_j=f（s_j）,j=1，2…，p，f为激励函数，其形式为：

日用水量输出层神经元的阈值为γ，日用水量输出的神经元的输入为：

式中，V_j是第j个隐含层神经元与输出神经元的连接权值；

日用水量输出为Cr=f(L)。

10.根据权利要求3-9中任意一个所述的方法，所述输出层误差计算为

其中，为训练集样本个数，y_d和分别为训练样本的实测值和预测值。