随着社会科技的发展，工业化和城市化不断深入，人类对水资源的需求将会维持一段较长时间的增长，但是由于全球气候变化，可供人类使用的水资源逐渐减少，这就导致水资源供需矛盾更加尖锐，因此合理利用水资源是当前的重要任务。城市水资源的合理利用主要由城市供水调度系统决定，而需水量预测的准确程度直接影响到供水系统投资、管网布局和运行的合理性。因此，必须要对城市水资源的需求进行科学合理的预测。进行需水预测最重要的是根据用水数据特点选择科学合理的预测方法，建立准确的数学模型。传统预测方法的数学模型，虽然计算量小，速度快，但是也有许多缺陷，如没有自学习的能力，不具备自适应性，预测方法不够健壮等。然而，用水量数据的变化具有非线性、时变性和不确定性等特征，传统的预测方法已经不能满足需水量预测对精度的要求。神经网络的使用为此提供了新的思路。本文采用基于Elman神经网络的组合预测方法对校园时用水量进行了预测，主要内容包括以下几个部分:　　在用水数据处理部分，对原始数据进行净化和有效的预处理对实现准确预测是十分重要的。同时，用水数据是随机非平稳序列，为预测增加了一定的难度。所以，本文对用水数据进行了分析处理，以得到一组满足预测算法输入要求的较完善的数据。首先，对缺失和异常的数据进行补足和替换。针对缺失值采用的平均数替代法，针对异常值采用的水平和垂直处理方法。然后，采用集合经验模态分解(Ensemble Empirical Mode Decomposition，EEMD)方法对数据进行分解，得到相对平稳的数据分量。最后，由于分量数量过多，所以进行灰色关联度分析，将关联度较高的分量进行合并，重构序列，最终得到数量较少且相对平稳的序列作为预测输入。　　针对用水数据进行预测，本文提出了基于Elman神经网络的用水量预测模型。Elman神经网络收敛速度较快，能够动态建模，对于预测用水数据这样波动行较大的数据具有一定优势。但是Elman神经网络依然存在全局搜索能力差的缺陷。因此，本文针对这一缺陷，采用遗传算法对Elman神经网络进行优化，选取Elman神经网络预测的最佳权值和阈值，使网络性能达到最优。　　在进行预测仿真时，首先用遗传算法对Elman神经网络进行优化，找到全局最优的权值阈值，然后将最优解带入到Elman神经网络作为初始参数进行Elman神经网络的训练，对于训练好的网络采用滚动预测的方法，不断更新训练数据的样本，以此来提高预测精度。　　最后通过实验数据验证了本文所提需水预测方法的有效性。