[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

说明书

本发明公开了一种基于相关分析的BP神经网络居民社区日用水量预测方法，首先利用相关分析理论对用水量影响因素进行分析，按影响大小进行排序，接着用偏自相关理论对日用水量序列进行分析，找出日用水量时间序列内部存在的相关关系，确定最优延迟时间，进而确定输入变量，建立了基于相关分析的BP神经网络社区用水量预测模型。对模型进行训练时，使用打乱日用水量按照时间先后顺序排列而形成的数据序列作为训练集，突破时间序列的限制，消除时间因素的影响，提高了预测方法的泛化能力。

技术领域

本发明涉及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，属于水资源管理技术领域。

背景技术

水资源是人类社会进步发展的不可替代的重要自然资源,生命之源泉。城市发展中工业、农业、生活无时无刻不在用水，用水量逐年增加，而水污染日益严重。据统计，在我国600多座建制市中，有近400座城市缺水，其中缺水严重的城市达130多个，全国城市每年缺水60亿立方米，日缺水量已超过1600万立方米。缺水给城市工业产值造成的损失在1200亿元以上，且呈增长之势。水的短缺已经成为当前经济社会发展的重要制约因素。社区用水是城市水资源消耗的重要组成部分，合理的社区用水预测是区域水资源配置、水资源有效管理和节约水资源的重要基础。

针对这一问题，现有的技术方案是：严旭等人在文章《基于遗传算法的ＢＰ神经网络在城市用水量预测中的应用》中，将预测时间点的临近时刻用水量和前３天同段时间内的用水量等15个变量选作输入变量，带入预测模型对城市时用水量进行预测；储诚山等人在文章《基于遗传算法和BP神经网络的用水量预测》中，将预测日的最高温度、最低温度、平均温度、气候类型和预测日前1天的最高温度、最低温度、平均温度、气候类型、日用水量等9个变量作为输入变量，输入预测模型，对城市日用水量进行预测；周艳春等人在文章《基于ＢＰ神经网络工具箱的城市短期用水量预测》中，将前两天和前一天的天气状况、日最高温度等16项作为输入数据，带入模型预测某天ｔ时刻的用水量。

发明内容

经分析，发现现有技术存在如下缺点：1）输入变量太多，容易使模型过度拟合，影响预测精度；2）输入数据复杂，模型计算量大；3）对输入变量的选择是根据历史用水变化规律，依靠技术人员主观经验，缺乏理论依据，影响预测结果的准确性；4）在进行用水量预测模型建立时严格按照时间序列进行，对数据要求严格，泛化能力差。

基于此，本发明提出在BP神经网络的基础上进行改进，建立了基于相关分析的BP神经网络社区用水量预测模型。首先利用相关分析理论对用水量影响因素进行分析，按影响大小进行排序，接着用偏自相关理论对日用水量序列进行分析，确定最优延迟时间，进而确定输入变量，对模型进行训练时，随机打乱训练集的数据顺序，提高泛化能力。

本发明采用下述的技术方案：

一种基于相关分析的BP神经网络居民社区日用水量预测方法，该网络为三层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。

具体地，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。

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。