[发明专利]一种基于GASA-SVR的需水预测方法

说明书

本发明公开了一种基于遗传算法和模拟退火算法混合优化支持向量回归机(GASA‑SVR)的需水预测方法，通过遗传和模拟退火组合优化算法对支持向量回归机的三个参数C，ε和σ进行寻优，建立GASA‑SVR预测模型，并对用水影响因素进行因子分析，将关联度高的特征值作为GASA‑SVR模型的输入，该方法解决了传统参数优化容易陷入局部最优而不是全局最优的问题，可作为需水量预测领域的一个高效的替代方案，在需水预测领域具有一定的泛化和指导意义。

技术领域

本发明涉及一种基于遗传算法和模拟退火算法混合优化支持向量回归机(GASA-SVR，Genetic Algorithm and Simulated Annealing Algorithm-Support VectorRegression)的需水预测方法，属于水资源管理和通信网络技术领域。

背景技术

随着城市人口的日益增多和社会经济的快速发展，城市对于水资源的需求量也越来越大。供水系统的自动化运营是将来供水发展的一个趋势，而要实现这个目标，就需要通过建立准确的水需求预测模型来控制泵站的最优总体数量以及最优泵调度。

目前国内外需水预测方法主要分为时间序列法、结构分析法和系统方法。近年来，研究者还利用一些研究方法，如人工神经网络、细胞自动机、蚁群算法、进化算法等，通过“拟物”或者“仿生”模拟自然现象来解决问题，已在人工智能、机器学习、数据挖掘等领域发挥了巨大的作用。支持向量回归机(SVR)由Vapnik等人提出，是以统计学为基础的理论，它比传统时间序列预测模型有更好的预测效果，改善了神经网络容易出现的局部最优问题。SVR预测方法已经成功应用于许多领域，如金融(股票指数和汇率)预测，短期光伏发电预测，工程与软件领域的产值和可靠性预测等。

经分析发现，利用支持向量回归机进行需水预测的研究较少，此外，现有技术中用到的遗传和模拟组合算法是简单的顺序递推，先用遗传算法寻优，然后进行模拟退火算法，输出最优值，这种方法缺少循环嵌套的过程，并没有真正的把两个算法优点结合在一起；而且现有技术考虑单一历史用水数据的较多，仅仅把历史用水量作为训练集，模型输入缺乏用水的影响因素。

发明内容

本申请在现有技术的基础上，通过遗传和模拟退火组合优化算法(GASA)对支持向量回归机(SVR)的三个参数C，ε和σ进行寻优，建立GASA-SVR预测模型，并对用水影响因素进行因子分析，将关联度高的特征值作为GASA-SVR模型的输入，该方法在需水预测领域具有一定的泛化和指导意义。

使用河北工程大学近三年的1035组校园用水数据对本发明所提GASA-SVR预测方法的有效性进行了仿真验证，收集这三年中每天的最高气温、最低气温和人数等数据，利用数据统计软件(SPSS，Statistical Product and Service Solutions)进行因子分析，确定校园用水的主要影响因素并将其作为输入层，以均方根误差(RMSE)和决定系数(r²，相关系数related coefficients的平方)作为评价标准，结果同BP神经网络(BP-ANN)、GA-BP-ANN和SVR预测方法进行了比较。实验结果表明，GASA-SVR预测方法的RMSE值较小，r²值更高，因此，本发明所提出的GASA-SVR预测方法是日常用水需求预测的有效工具。

本发明提出一种基于GASA-SVR的需水预测方法，该方法主要包括遗传和模拟退火算法(GASA)的结合、组合优化支持向量回归机参数、影响因子分析几个部分。

首先，遗传算法和模拟退火算法的循环嵌套结合，组合优化的思想：遗传算法(GA)的变异过程能很好地提高寻优能力，模拟退火算法(SA)能够摆脱局部最优值转向全局搜索。本发明的一部分就是解决SVR需水预测模型中提前收敛到局部最优和SA提高寻优效率的问题。

其次，建立GASA-SVR需水预测模型，确定模型评估标准。包括数据收集、数据归一化处理、模型训练和评估。