本文關(guān)鍵詞：卡爾曼濾波和混合智能算法在城市日用水量預(yù)測(cè)的應(yīng)用研究

  更多相關(guān)文章： 日用水量 遺傳算法 最小二乘支持向量機(jī) 卡爾曼濾波 變結(jié)構(gòu)

【摘要】：隨著經(jīng)濟(jì)、人口的持續(xù)增長(zhǎng),城市對(duì)水資源需求急劇增加,然而水資源污染問題日趨嚴(yán)重,加劇了城市水資源供需間的矛盾。目前我國(guó)大部分城市采用基于經(jīng)驗(yàn)的管網(wǎng)人工調(diào)度方式,但該調(diào)度方式很難全面、客觀地反映管網(wǎng)運(yùn)行情況,導(dǎo)致供水管網(wǎng)漏損、爆管等頻發(fā)以及大量寶貴水資源的浪費(fèi)。實(shí)現(xiàn)科學(xué)的管網(wǎng)優(yōu)化調(diào)度,能夠顯著地提高供水系統(tǒng)運(yùn)行的安全性、經(jīng)濟(jì)性和可靠性,能夠極大緩解城市水資源短缺問題。準(zhǔn)確、快速地預(yù)測(cè)城市日用水量,能夠?yàn)閷?shí)現(xiàn)科學(xué)的管網(wǎng)優(yōu)化調(diào)度提供重要的決策依據(jù),具有重要的理論和經(jīng)濟(jì)意義。本文系統(tǒng)地總結(jié)了國(guó)內(nèi)外城市日用水量預(yù)測(cè)研究進(jìn)展,針對(duì)傳統(tǒng)日用水量預(yù)測(cè)一般未提出預(yù)測(cè)前是否需要更新以及如何更新模型參數(shù)的不足,將卡爾曼濾波和混合智能算法應(yīng)用于城市日用水量預(yù)測(cè),主要研究?jī)?nèi)容如下:1、分析日用水量序列相關(guān)性,得出預(yù)測(cè)日用水量與該日前6天日用水量高度相關(guān)的結(jié)論。為了驗(yàn)證日用水量影響因素對(duì)預(yù)測(cè)日用水量的重要性,引入自適應(yīng)遺傳算法(GA)優(yōu)化最小二乘支持向量機(jī)(LSSVM)參數(shù),分別以預(yù)測(cè)日前6天的日用水量為輸入和以預(yù)測(cè)日用水量的主要影響因素和預(yù)測(cè)日前6天的日用水量為模型的輸入,建立基于GA-LSSVM的模型1和模型2。預(yù)測(cè)結(jié)果驗(yàn)證了模型2具有更高的預(yù)測(cè)精度,驗(yàn)證了日用水量影響因素對(duì)預(yù)測(cè)日用水量的重要性。2、利用具有較強(qiáng)全局尋優(yōu)能力的自適應(yīng)遺傳算法對(duì)基于最小二乘支持向量機(jī)歷史日用水量模型參數(shù)尋優(yōu),根據(jù)獲得的模型參數(shù)序列采用卡爾曼濾波法估計(jì)基于LSSVM模型的參數(shù),分別建立了以預(yù)測(cè)日前6天的日用水量為輸入和以預(yù)測(cè)日用水量的主要影響因素和預(yù)測(cè)日前6天的日用水量為輸入的基于變結(jié)構(gòu)遺傳最小二乘支持向量機(jī)的模型3和模型4。與模型1、2、3相比,本文提出的模型4具有最高的預(yù)測(cè)精度,驗(yàn)證了采用卡爾曼濾波法估計(jì)參數(shù)的有效性和日用水量影響因素對(duì)預(yù)測(cè)日用水量的重要性。
【關(guān)鍵詞】：日用水量 遺傳算法 最小二乘支持向量機(jī) 卡爾曼濾波 變結(jié)構(gòu)
【學(xué)位授予單位】：浙江工業(yè)大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2016
【分類號(hào)】：TU991.31
【目錄】：

• 摘要3-5
• ABSTRACT5-10
• 第1章 緒論10-18
• 1.1 研究背景及意義10-11
• 1.2 城市日用水量變化規(guī)律和影響因素分析11-12
• 1.3 城市日用水量預(yù)測(cè)方法研究現(xiàn)狀12-17
• 1.3.1 時(shí)間序列預(yù)測(cè)方法12-14
• 1.3.2 解釋性預(yù)測(cè)方法14-17
• 1.4 本文的主要內(nèi)容17
• 1.5 本文的主要?jiǎng)?chuàng)新點(diǎn)17-18
• 第2章 遺傳算法理論18-26
• 2.1 遺傳算法概述18
• 2.2 基本遺傳算法18-24
• 2.3 基本遺傳算法的改進(jìn)24-26
• 第3章 支持向量機(jī)理論26-34
• 3.1 機(jī)器學(xué)習(xí)理論26-27
• 3.1.1 機(jī)器學(xué)習(xí)的基本問題26-27
• 3.1.2 經(jīng)驗(yàn)風(fēng)險(xiǎn)最小化（Empirical Risk Minimization，ERM）27
• 3.1.3 機(jī)器學(xué)習(xí)的泛化能力27
• 3.2 統(tǒng)計(jì)學(xué)習(xí)理論27-29
• 3.2.1 VC維27-28
• 3.2.2 推廣性的界28
• 3.2.3 結(jié)構(gòu)風(fēng)險(xiǎn)最小化原則(Structural Risk Minimization，SRM)28-29
• 3.3 支持向量機(jī)(Support Vector Machine，，SVM)29-32
• 3.3.1 最優(yōu)分類面29-30
• 3.3.2 支持向量機(jī)的基本原理30-31
• 3.3.3 支持向量機(jī)的核函數(shù)31-32
• 3.4 最小二乘支持向量機(jī)(Least Squares Support Vector Machine，LSSVM)32-34
• 第4章 擴(kuò)展卡爾曼濾波器34-40
• 4.1 狀態(tài)過程信號(hào)的估計(jì)34-35
• 4.2 濾波器的計(jì)算原型35-37
• 4.3 擴(kuò)展卡爾曼濾波器算法37-40
• 第5章 變結(jié)構(gòu)遺傳最小二乘支持向量機(jī)法預(yù)測(cè)日用水量40-52
• 5.1 基于遺傳最小二乘支持向量機(jī)的日用水量預(yù)測(cè)模型(GA-LSSVM模型)40-44
• 5.1.1 模型的輸入?yún)?shù)40-41
• 5.1.2 遺傳算法(GA)優(yōu)化最小二乘支持向量機(jī)(LSSVM)參數(shù)41-42
• 5.1.3 GA-LSSVM建模和預(yù)測(cè)過程42-44
• 5.2 變結(jié)構(gòu)遺傳最小二乘支持向量機(jī)日用水量模型(VSG-LSSVM模型)44-52
• 5.2.1 變結(jié)構(gòu)遺傳算法(VSG)優(yōu)化LSSVM模型參數(shù)45-46
• 5.2.2 VSG-LSSVM建模和預(yù)測(cè)過程46-52
• 第6章 結(jié)論與展望52-54
• 6.1 結(jié)論52
• 6.2 展望52-54
• 附錄54-66
• 參考文獻(xiàn)66-70
• 致謝70-72
• 作者在攻讀碩士學(xué)位期間所取得的科研成果72

【參考文獻(xiàn)】

中國(guó)期刊全文數(shù)據(jù)庫 前10條

1 翁建華;廉東方;崔曉鈺;;幾種AR和ARMA模型對(duì)城市用水量預(yù)測(cè)的比較[J];水科學(xué)與工程技術(shù);2014年05期

2 汪海燕;黎建輝;楊風(fēng)雷;;支持向量機(jī)理論及算法研究綜述[J];計(jì)算機(jī)應(yīng)用研究;2014年05期

3 林英姿;周金良;;城市供水管網(wǎng)漏損現(xiàn)象的控制及研究現(xiàn)狀[J];吉林建筑工程學(xué)院學(xué)報(bào);2014年01期

4 尹兆龍;信昆侖;項(xiàng)寧銀;李飛;鄒俊;;城市供水系統(tǒng)優(yōu)化調(diào)度現(xiàn)狀與展望研究[J];環(huán)境科學(xué)與管理;2014年01期

5 楊東豫;呂謀;譚周吉;;三種城市日用水量預(yù)測(cè)模型對(duì)比研究[J];青島理工大學(xué)學(xué)報(bào);2011年02期

6 陳敏;鄧英偉;;混合神經(jīng)網(wǎng)絡(luò)和混沌理論的城市用水量預(yù)測(cè)研究[J];電腦知識(shí)與技術(shù);2008年34期

7 蔣白懿;代進(jìn);高金良;;城市日用水量預(yù)測(cè)模型比較研究[J];沈陽建筑大學(xué)學(xué)報(bào)(自然科學(xué)版);2008年02期

8 王劍俊;;基于RBF網(wǎng)絡(luò)的城市供水短期負(fù)荷預(yù)測(cè)[J];西南給排水;2007年03期

9 陳戰(zhàn)波;張德生;武新乾;韓有旺;姜愛平;;自回歸模型在西安市日用水量預(yù)測(cè)中的應(yīng)用[J];江漢大學(xué)學(xué)報(bào)(自然科學(xué)版);2006年04期

10 張宏偉;岳琳;王亮;;基于徑向基函數(shù)的城市日用水量預(yù)測(cè)方法[J];天津大學(xué)學(xué)報(bào);2006年04期

中國(guó)博士學(xué)位論文全文數(shù)據(jù)庫 前1條

1 包哲靜;支持向量機(jī)在智能建模和模型預(yù)測(cè)控制中的應(yīng)用[D];浙江大學(xué);2007年

中國(guó)碩士學(xué)位論文全文數(shù)據(jù)庫 前1條

1 謝小山;基于遺傳算法和BP神經(jīng)網(wǎng)絡(luò)的鐵路客運(yùn)量預(yù)測(cè)研究[D];西南交通大學(xué);2010年

本文編號(hào)：585056