基于BP神經網絡模型的阿克蘇市城市需水量預測-雜志網

基于BP神經網絡模型的阿克蘇市城市需水量預測_雜志網論文導讀:：科學地預測城市需水量對城市的發(fā)展具有十分重要的意義。本文采用BP人工神經網絡方法對阿克蘇城市需水量進行預測，取得了滿意的效果，論證了此種預測方法的可行性和有效性。論文關鍵詞：BP神經網絡，城市需水量，預測隨著城市規(guī)模的不斷擴大和工農業(yè)的迅速發(fā)展，城市對水資源的需求在日益提高。在此背景下，對城市需水量進行科學合理地分析和預測就顯得尤為重要了。關于城市需水量預測的模型很多，較為典型的有多元回歸分析模型、時間序列預測模型、指數(shù)法預測模型等。但國外發(fā)達國家城市需水發(fā)展表明，城市需水并不是一個單調遞增的時間序列，而是呈現(xiàn)出先上升到一定峰值、然后下降到一定程度后趨于平穩(wěn)的變化過程。因此，基于時間序列外推的傳統(tǒng)的需水量預測模型存在很大的局限性，受到了一些質疑。本文采用人工神經網絡模型進行城市需水量的預測，在精確預測城市需水量的研究領域做了一些嘗試。一BP神經網絡模型人工神經網絡（ArtificialNeuralNetworks,ANN）是一門比較年輕的學科，也是當前國際學術界最為活躍的前沿研究領域之一，其應用領域十分廣泛，包括模式識別（語音和圖像識別）、經濟管理和優(yōu)化控制、股市分析故障診斷和系統(tǒng)預測等許多領域[1]。人工神經網絡的模型現(xiàn)在有數(shù)十種之多，其中BP神經網絡（Back-Propagationneuralnetwork）模型是最為典型，應用最多的一類模型，約有80%的神經網絡屬于BP神經網絡。它是一種多層前向網絡，采用最小均方誤差學習方式，需要有教師訓練[2]。BP(BackPropagation)神經網絡由輸入層、隱層、輸出層組成，隱層可以是一層雜志網，也可以擴展為多層。相鄰兩層之間各神經元進行全連接，而每層各神經元之間無連接。其拓撲結構如圖1所示。BP神經網絡模型的計算過程可大致分為兩個：信息的正向傳播過程和誤差的反向傳播過程。輸入樣本進入輸入層，經過逐層閾值與權值的調整計算，通過隱層傳播到輸出層，得出各神經元的實際輸出。比較實際輸出與期望輸出，若它們的誤差未達到允許值，則進入誤差的反向傳播過程。按減小希望輸出與實際輸出誤差的方向，從輸出層經各中間層逐層修正各連接權，回到輸入層。此過程反復交替進行，直至網絡的全局誤差達到給定的允許值，即完成學習的過程。圖1BP神經網絡模型二BP神經網絡的算法BP神經網絡的計算步驟大致為：1網絡初始化，給各閥值和連接權值分別賦一個區(qū)間內的隨機數(shù)，設定誤差函數(shù)，給定計算精度值和最大學習次數(shù)。2提供訓練樣本和期望輸出3計算隱層各神經元的輸入和輸出4計算輸出層各神經元的輸入和實際輸出5利用網絡期望輸出和實際輸出，計算誤差函數(shù)對輸出層的各神經元的偏導數(shù)，6利用隱層到輸出層的連接權值、輸出層的和隱層的輸出計算誤差函數(shù)對隱層各神經元的偏導數(shù),7利用輸出層各神經元的和隱層各神經元的輸出來修正連接權值，，其中為步長8利用隱層各神經元的和輸入層各神經元的輸入修正連接權，，其中為步長9計算全局誤差10判斷網絡誤差是否滿足要求。當誤差達到預設精度或學習次數(shù)大于設定的最大次數(shù)，則結束算法。否則，選取下一個學習樣本及對應的期望輸出，返回到第三步，進入下一輪學習。理論上，一個三層BP網絡，只要隱層神經元數(shù)目足夠多，就能以任意精度逼近一個非線性函數(shù)，達到預期的效果。但神經元數(shù)目的增加也必然會導致計算量的急劇增加，在實際操作過程中，借助Matlab神經網絡工具箱可以起到事半功倍的作用。三阿克蘇市城市需水量預測阿克蘇市位于塔里木盆地西北邊緣，地處中緯度歐亞大陸腹地。農業(yè)灌溉用水主要依賴于阿克蘇老大河和多浪渠，水資源比較豐富，但隨著阿克蘇河流域限額用水制度的不斷完善和工業(yè)化、城鎮(zhèn)化、農牧產業(yè)化進程的不斷推進，全市實際可利用水資源量僅為8.36億m3（其中地表水可利用水資源量6.86億m3，地下水可利用水資源量1.5m3），實際人均占有可利用水資源量只有1798m3，遠低于全國2177m3的人均水平；實際畝均占有可利用水量只有778m3雜志網，遠低于全國畝均水量1430m3的水平，水資源供需矛盾十分突出。因此，正確地預測需水量對于本地區(qū)社會經濟和環(huán)境的協(xié)調發(fā)展具有重要意義。1模型建立依據Kolmogorov定理[3]，對于任意連續(xù)函數(shù)，可以有一個三層網絡來精確實現(xiàn)它，網絡的第一層有m個單元，中間層有2m+1個單元，第三層有n個單元。根據表1所提供的信息，文章建立了一個三層BP神經網絡結構。其中輸入層為7個神經元，輸出層為1個神經元，隱層含15個神經元。表1阿克蘇市1996-2005年用水量及其影響因子[4]年份GDP/104元人均GDP/元固定資產投資/104元工業(yè)個數(shù)城市人口/104人供水總量/104m3人均日生活用水量/L●d-1用水量/104m319962843575348573898520.872218186.37418199729658956796279810021.652435190.5753919983089755963685679821.892478200.87856199932926464847218310222.092512210.2810520003749627239842978722.732217212.885542001428333806112788415424.22349150.989132002478919866915021914825.132469158.692972003550625971115072612025.652673154.2963120046296091103015436512526.482789158.7999020057083021230017023913326.862986160.2103512模型求解一般情況下獲取的數(shù)據樣本不能直接用于網絡訓練，需要進行一定的預處理。在此可以利用向量的歸一化處理將數(shù)據樣本都歸一化到區(qū)間之間。網絡運行后，再還原數(shù)據。選取1996～2003年的數(shù)據為訓練樣本，用2004～2005年的數(shù)據對網絡進行檢驗。同時設定運算次數(shù)n=10000以及允許的精度E=0.001等。將訓練樣本以及參數(shù)輸入到利用Matlab編制的程序中運算，確定滿足精度要求的權值和閾值。BP網絡的訓練結果如表2所示。圖2更加直觀地描述了該BP神經網絡模型的預測能力。表2原始數(shù)據與預測數(shù)據表（*為檢測樣本）年份原始數(shù)據預測數(shù)據誤差（%）年份原始數(shù)據預測數(shù)據誤差（%）199674187458.70.55200189138915.30.04199775397550.50.152002929793030.08199878567858.40.032003963196550.26199981058099.9-0.062004*