基于BP神經(jīng)網(wǎng)絡(luò)模型的阿克蘇市城市需水量預(yù)測-雜志網(wǎng)

基于BP神經(jīng)網(wǎng)絡(luò)模型的阿克蘇市城市需水量預(yù)測_雜志網(wǎng)論文導(dǎo)讀:：科學(xué)地預(yù)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(jīng)網(wǎng)絡(luò)方法對阿克蘇城市需水量進(jìn)行預(yù)測，取得了滿意的效果，論證了此種預(yù)測方法的可行性和有效性。論文關(guān)鍵詞：BP神經(jīng)網(wǎng)絡(luò)，城市需水量，預(yù)測隨著城市規(guī)模的不斷擴(kuò)大和工農(nóng)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(jìn)行科學(xué)合理地分析和預(yù)測就顯得尤為重要了。關(guān)于城市需水量預(yù)測的模型很多，較為典型的有多元回歸分析模型、時(shí)間序列預(yù)測模型、指數(shù)法預(yù)測模型等。但國外發(fā)達(dá)國家城市需水發(fā)展表明，城市需水并不是一個(gè)單調(diào)遞增的時(shí)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(shí)間序列外推的傳統(tǒng)的需水量預(yù)測模型存在很大的局限性，受到了一些質(zhì)疑。本文采用人工神經(jīng)網(wǎng)絡(luò)模型進(jìn)行城市需水量的預(yù)測，在精確預(yù)測城市需水量的研究領(lǐng)域做了一些嘗試。一BP神經(jīng)網(wǎng)絡(luò)模型人工神經(jīng)網(wǎng)絡(luò)（ArtificialNeuralNetworks,ANN）是一門比較年輕的學(xué)科，也是當(dāng)前國際學(xué)術(shù)界最為活躍的前沿研究領(lǐng)域之一，其應(yīng)用領(lǐng)域十分廣泛，包括模式識別（語音和圖像識別）、經(jīng)濟(jì)管理和優(yōu)化控制、股市分析故障診斷和系統(tǒng)預(yù)測等許多領(lǐng)域[1]。人工神經(jīng)網(wǎng)絡(luò)的模型現(xiàn)在有數(shù)十種之多，其中BP神經(jīng)網(wǎng)絡(luò)（Back-Propagationneuralnetwork）模型是最為典型，應(yīng)用最多的一類模型，約有80%的神經(jīng)網(wǎng)絡(luò)屬于BP神經(jīng)網(wǎng)絡(luò)。它是一種多層前向網(wǎng)絡(luò)，采用最小均方誤差學(xué)習(xí)方式，需要有教師訓(xùn)練[2]。BP(BackPropagation)神經(jīng)網(wǎng)絡(luò)由輸入層、隱層、輸出層組成，隱層可以是一層雜志網(wǎng)，也可以擴(kuò)展為多層。相鄰兩層之間各神經(jīng)元進(jìn)行全連接，而每層各神經(jīng)元之間無連接。其拓?fù)浣Y(jié)構(gòu)如圖1所示。BP神經(jīng)網(wǎng)絡(luò)模型的計(jì)算過程可大致分為兩個(gè)：信息的正向傳播過程和誤差的反向傳播過程。輸入樣本進(jìn)入輸入層，經(jīng)過逐層閾值與權(quán)值的調(diào)整計(jì)算，通過隱層傳播到輸出層，得出各神經(jīng)元的實(shí)際輸出。比較實(shí)際輸出與期望輸出，若它們的誤差未達(dá)到允許值，則進(jìn)入誤差的反向傳播過程。按減小希望輸出與實(shí)際輸出誤差的方向，從輸出層經(jīng)各中間層逐層修正各連接權(quán)，回到輸入層。此過程反復(fù)交替進(jìn)行，直至網(wǎng)絡(luò)的全局誤差達(dá)到給定的允許值，即完成學(xué)習(xí)的過程。圖1BP神經(jīng)網(wǎng)絡(luò)模型二BP神經(jīng)網(wǎng)絡(luò)的算法BP神經(jīng)網(wǎng)絡(luò)的計(jì)算步驟大致為：1網(wǎng)絡(luò)初始化，給各閥值和連接權(quán)值分別賦一個(gè)區(qū)間內(nèi)的隨機(jī)數(shù)，設(shè)定誤差函數(shù)，給定計(jì)算精度值和最大學(xué)習(xí)次數(shù)。2提供訓(xùn)練樣本和期望輸出3計(jì)算隱層各神經(jīng)元的輸入和輸出4計(jì)算輸出層各神經(jīng)元的輸入和實(shí)際輸出5利用網(wǎng)絡(luò)期望輸出和實(shí)際輸出，計(jì)算誤差函數(shù)對輸出層的各神經(jīng)元的偏導(dǎo)數(shù)，6利用隱層到輸出層的連接權(quán)值、輸出層的和隱層的輸出計(jì)算誤差函數(shù)對隱層各神經(jīng)元的偏導(dǎo)數(shù),7利用輸出層各神經(jīng)元的和隱層各神經(jīng)元的輸出來修正連接權(quán)值，，其中為步長8利用隱層各神經(jīng)元的和輸入層各神經(jīng)元的輸入修正連接權(quán)，，其中為步長9計(jì)算全局誤差10判斷網(wǎng)絡(luò)誤差是否滿足要求。當(dāng)誤差達(dá)到預(yù)設(shè)精度或?qū)W習(xí)次數(shù)大于設(shè)定的最大次數(shù)，則結(jié)束算法。否則，選取下一個(gè)學(xué)習(xí)樣本及對應(yīng)的期望輸出，返回到第三步，進(jìn)入下一輪學(xué)習(xí)。理論上，一個(gè)三層BP網(wǎng)絡(luò)，只要隱層神經(jīng)元數(shù)目足夠多，就能以任意精度逼近一個(gè)非線性函數(shù)，達(dá)到預(yù)期的效果。但神經(jīng)元數(shù)目的增加也必然會導(dǎo)致計(jì)算量的急劇增加，在實(shí)際操作過程中，借助Matlab神經(jīng)網(wǎng)絡(luò)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(yù)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(nóng)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(nóng)牧產(chǎn)業(yè)化進(jìn)程的不斷推進(jìn)，全市實(shí)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(shí)際人均占有可利用水資源量只有1798m3，遠(yuǎn)低于全國2177m3的人均水平；實(shí)際畝均占有可利用水量只有778m3雜志網(wǎng)，遠(yuǎn)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(yù)測需水量對于本地區(qū)社會經(jīng)濟(jì)和環(huán)境的協(xié)調(diào)發(fā)展具有重要意義。1模型建立依據(jù)Kolmogorov定理[3]，對于任意連續(xù)函數(shù)，可以有一個(gè)三層網(wǎng)絡(luò)來精確實(shí)現(xiàn)它，網(wǎng)絡(luò)的第一層有m個(gè)單元，中間層有2m+1個(gè)單元，第三層有n個(gè)單元。根據(jù)表1所提供的信息，文章建立了一個(gè)三層BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)。其中輸入層為7個(gè)神經(jīng)元，輸出層為1個(gè)神經(jīng)元，隱層含15個(gè)神經(jīng)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(chǎn)投資/104元工業(yè)個(gè)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(jù)樣本不能直接用于網(wǎng)絡(luò)訓(xùn)練，需要進(jìn)行一定的預(yù)處理。在此可以利用向量的歸一化處理將數(shù)據(jù)樣本都?xì)w一化到區(qū)間之間。網(wǎng)絡(luò)運(yùn)行后，再還原數(shù)據(jù)。選取1996～2003年的數(shù)據(jù)為訓(xùn)練樣本，用2004～2005年的數(shù)據(jù)對網(wǎng)絡(luò)進(jìn)行檢驗(yàn)。同時(shí)設(shè)定運(yùn)算次數(shù)n=10000以及允許的精度E=0.001等。將訓(xùn)練樣本以及參數(shù)輸入到利用Matlab編制的程序中運(yùn)算，確定滿足精度要求的權(quán)值和閾值。BP網(wǎng)絡(luò)的訓(xùn)練結(jié)果如表2所示。圖2更加直觀地描述了該BP神經(jīng)網(wǎng)絡(luò)模型的預(yù)測能力。表2原始數(shù)據(jù)與預(yù)測數(shù)據(jù)表（*為檢測樣本）年份原始數(shù)據(jù)預(yù)測數(shù)據(jù)誤差（%）年份原始數(shù)據(jù)預(yù)測數(shù)據(jù)誤差（%）199674187458.70.55200189138915.30.04199775397550.50.152002929793030.08199878567858.40.032003963196550.26199981058099.9-0.062004*