随着人口大量地向城市涌入,导致城市需水量不断攀升,从而出现城市用水紧张、水资源供需不平衡等问题。因此,在保证城市居民用水舒适度不会降低的前提下,尽可能的节约供水成本和水资源消耗是将来城市供水系统发展的必然趋势。在科技不断进步发展趋势下,为了实现未来城市实时性和自动化供水调度方式,这就要求有一种精度高、用时少的需水量预测方法作为基础。需水量预测在整体城市供水系统的设计、规划、管理和运行中起着重要的作用,是供水策略、运行调度、优化设计的关键性参考。传统预测方法要求历史数据具有较明显的周期性和趋势上的稳定性,以及人工智能预测方法易于陷入局部最优、运算速度慢、泛化性能低等问题,现在已经很少被单独作为一种研究需水量预测的方法,而以数据、影响因素和神经网络算法相结合的组合预测模型因结合了两者的优点和弥补了两者的不足被如今大多数学者所青睐并且得到较好的发展。针对传统的神经网络预测模型训练时间长、易于陷入局部最优的预测结果,且在少量数据样本情况下预测精确度不足的缺点,首先,本文提出了一种基于遗传算法-极限学习机的城市短期用水预测方法,在引入相关影响因素的基础上,使用擅长全局搜索和并行搜索的遗传算法对极限学习机参数进行寻优,使得GA-ELM预测模型精度得到提升。其次,提出一种误差修正方法,使用马尔可夫链对遗传算法—极限学习机预测模型的预测结果进行误差修正。结果表明,经过误差修正的最终组合模型的预测结果精度比传统预测模型结果要高,具有较强的实用价值,为未来水资源实时调度提供理论依据。