随着经济、人口的持续增长,城市对水资源需求急剧增加,然而水资源污染问题日趋严重,加剧了城市水资源供需间的矛盾。目前我国大部分城市采用基于经验的管网人工调度方式,但该调度方式很难全面、客观地反映管网运行情况,导致供水管网漏损、爆管等频发以及大量宝贵水资源的浪费。实现科学的管网优化调度,能够显著地提高供水系统运行的安全性、经济性和可靠性,能够极大缓解城市水资源短缺问题。准确、快速地预测城市日用水量,能够为实现科学的管网优化调度提供重要的决策依据,具有重要的理论和经济意义。本文系统地总结了国内外城市日用水量预测研究进展,针对传统日用水量预测一般未提出预测前是否需要更新以及如何更新模型参数的不足,将卡尔曼滤波和混合智能算法应用于城市日用水量预测,主要研究内容如下:1、分析日用水量序列相关性,得出预测日用水量与该日前6天日用水量高度相关的结论。为了验证日用水量影响因素对预测日用水量的重要性,引入自适应遗传算法(GA)优化最小二乘支持向量机(LSSVM)参数,分别以预测日前6天的日用水量为输入和以预测日用水量的主要影响因素和预测日前6天的日用水量为模型的输入,建立基于GA-LSSVM的模型1和模型2。预测结果验证了模型2具有更高的预测精度,验证了日用水量影响因素对预测日用水量的重要性。2、利用具有较强全局寻优能力的自适应遗传算法对基于最小二乘支持向量机历史日用水量模型参数寻优,根据获得的模型参数序列采用卡尔曼滤波法估计基于LSSVM模型的参数,分别建立了以预测日前6天的日用水量为输入和以预测日用水量的主要影响因素和预测日前6天的日用水量为输入的基于变结构遗传最小二乘支持向量机的模型3和模型4。与模型1、2、3相比,本文提出的模型4具有最高的预测精度,验证了采用卡尔曼滤波法估计参数的有效性和日用水量影响因素对预测日用水量的重要性。