论文部分内容阅读
【摘要】城市水资源不仅是社会文明进步的保障，更是人类生存的基本条件，城市用水量预测可以确保供水系统的运行安全.但在实际用水量预测中，单一的用水量预测模型受客观因素和用水环境的影响，用水量预测缺乏一定的稳定性和精度.因此，本文主要对用水量组合预测模型的应用进行探讨，同时在分析用水量预测误差特点的基础上，提出了城市用水量组合预测模型的应用策略.
【关键词】城市用水量;预测模型;误差分析
城市用水量预测是城市用水规划管理的有效手段，通过城市用水量预测可以全面掌握用户用水的变化规律和特性，能够有效地实现城市给水管网系统的优化和稳定运行.由于受天气状况和社会环境等因素的影响，采用单一的用水量预测模型无法满足城市某时间段内的用水量的精度要求.因此，运用科学系统的组合预测模型，对优化供水系统调度，保证供水质量具有重要价值和作用.
一、城市用水量预测误差分析
城市供水系统具有潜在的运行规律和周期性，关系着城市用户用水的经济性和水质要求，不同阶段的城市用水量会受不同因素的影响而产生变化.所以，城市用水量预测需要充分考虑社会经济环境、天气情况、城市建设等多种因素影响，只有通过科学系统的检验方法才能保证预测的精度.城市用水量预测产生误差的原因，主要是数学模型只针对预测现象的主要因素，导致一些次要因素被忽略，简化的水量状况的反映，无法满足复杂的用水量预测标准，进而不可避免地造成城市用水量预测产生误差.由于预测过程需要大量资料，各项资料的失真或某些意外情况，也会导致预测产生误差.由于城市用水量预测误差指标较多，现主要对以下几种进行分析介绍：
设{q0，q1，…，qn}为实际用水量序列，{q^0，q^1，…，q^n}为预测用水量序列，
（1）绝对误差与相对误差
Ei=qi-q^i，i=1，2，…，n，
REi=qi-q^iqi，i=1，2，…，n.
（2）平均绝对误差
MAE=1n∑ni=1|E2i|=1n∑ni=1|qi-q^i|2，i=1，2，…，n.
（3）均方误差
MSE=1n∑ni=1E2i=1n∑ni=1（qi-q^i）2，i=1，2，…，n.
（4）均方根误差
RMSE=1n∑ni=1E2i=1n∑ni=1（qi-q^i）2，i=1，2，…，n.
（5）标准误差
SY=∑ni=1（qi-q^i）2n-m，i=1，2，…，n.
城市用水量预测会受多种情况影响造成预测误差，以上对城市用水量预测误差进行了分析比较，为了避免预测结果出现严重失真，当出现预测误差时需要对以上指标进行审查，及时加以改进，确保城市用水量预测模型的精准.
二、城市用水量组合预测模型选择应用
城市给水系统具有随机性和规律性并存的特点，一阶段内的用水量与天气因素、环境因素、日期类型具有密切联系，模型建立需要综合考虑以下问题：用水量预测模型需要反映出降雨量、日照、气温、水量自然增长、水量季节性波动等，预测模型的建立需要保证对异常情况的处理干预.依据城市用水量预测模型的要求，对城市用水量预测方法进行评述：
（一）回归分析模型
城市供水系统用水量与多种因素存在因果关系，通常这种关系不能用数学表达式进行描述，只有在数据处理分析的过程中才能发现和探索其中的关系和规律.回归分析模型可依据历史数据的变化规律确定模型参数来进行预测，在城市用水量预测中，在主要影响因素中引入自变量，依据相应变化因素修正预测值，适用于城市日用水量预测.
（二）时间序列模型
城市用水量预测应用时间序列模型，可以将用水量历史数据变化形成序列进行处理，在对用水量的预测过程中，对历史数据的要求较低，但如果出现伪数据会对水量预测造成严重影响.当城市用水量影响因素出现变化时，会造成预测结果出现偏差，适用于城市时用水量预测的优化控制.由于时间序列模型存在滞后性特点，当历史用水数据因客观因素影响而出现异常变化时，会对用水量预测精度造成一定的影响，当预测数据不能做出反应时，会导致预测结果的失真.可见时间序列模型对用水量预测不失为一种有效方法，但需要结合预测的环境和实际情况，才能获得较高的预测精度.
（三）灰色预测模型
灰色預测模型可将城市供水量的历史数据整合成系统规律，同时依据不同数据建立不同的预测模型，适用于城市的时用水量、日用水量、年用水量预测.由于灰色预测不建立数据模型，而是利用用水量序列数据预测未来数值，预测效果取决于用水量数据的特点，是对用水量发展趋势的反映.
（四）人工神经网络模型
人工神经网络模型在处理数据时，会通过城市用水量非线性输出和输入模型的建立，由计算机在分析未来输入的情况下，判断出应有的输出，具有较大的发展潜力和优越性.人工神经网络模型可在复杂的用水量影响因素下，通过对用水量的非线性描述，满足实际生产预测的需求.同时人工神经网络模型具有很好的容错性，可以处理大量的信息数据，继而可以更好地处理历史用水量的伪数据，在城市时用水量预测、日用水量预测中，可以得出相对准确的预测结果.
（五）组合预测模型
在城市用水量预测中应用组合预测模型，可以有效提高预测的稳定性和精度，应用组合预测模型是综合两种或两种以上单一模型对城市用水量进行预测的一种形式，可对城市的日用水量、时用水量、年用水量进行预测.组合预测模型可以综合各种预测方法的信息，提高预测模型的性能，在城市用水量预测中全面优于单一预测方法的结果.
三、结 语
综上所述，城市用水量预测是对水资源未来可能出现的变化进行估计和预测，可以有效地实现对城市用水的科学管理，确保供水系统的稳定和安全.通过对用水量组合预测模型的分析可以看出，城市给水系统用水量预测模型的精度整体较高，但需要对预测对象及其所处的环境进行假设，从而导致无法确定用水量预测参数之间的关系，而每一种单一的模型都采用了部分可用信息，在城市用水量预测中，综合应用各种组合预测模型，可以有效提高用水量预测的可靠性和准确性，在提高预测精度的同时，进一步降低了预测的风险.
【参考文献】
[1]周鹏飞，卢泽雨.基于SPSS多元线性回归模型在城市用水量的预测[J].水利科技与经济，2018（5）：6-10.
[2]邓权龙，蒋仲安，韩硕.基于小波分析与GM（1，1）-ARMA（p，q）组合的矿井防尘用水量预测[J].矿业安全与环保，2018（4）：75-79.
[3]葛佳佳，曾宪达.浙中地区县域经济向都市区经济转型的策略——一项基于引力模型的实证研究[J].金华职业技术学院学报，2018（4）：28-33.
【关键词】城市用水量;预测模型;误差分析
城市用水量预测是城市用水规划管理的有效手段，通过城市用水量预测可以全面掌握用户用水的变化规律和特性，能够有效地实现城市给水管网系统的优化和稳定运行.由于受天气状况和社会环境等因素的影响，采用单一的用水量预测模型无法满足城市某时间段内的用水量的精度要求.因此，运用科学系统的组合预测模型，对优化供水系统调度，保证供水质量具有重要价值和作用.
一、城市用水量预测误差分析
城市供水系统具有潜在的运行规律和周期性，关系着城市用户用水的经济性和水质要求，不同阶段的城市用水量会受不同因素的影响而产生变化.所以，城市用水量预测需要充分考虑社会经济环境、天气情况、城市建设等多种因素影响，只有通过科学系统的检验方法才能保证预测的精度.城市用水量预测产生误差的原因，主要是数学模型只针对预测现象的主要因素，导致一些次要因素被忽略，简化的水量状况的反映，无法满足复杂的用水量预测标准，进而不可避免地造成城市用水量预测产生误差.由于预测过程需要大量资料，各项资料的失真或某些意外情况，也会导致预测产生误差.由于城市用水量预测误差指标较多，现主要对以下几种进行分析介绍：
设{q0，q1，…，qn}为实际用水量序列，{q^0，q^1，…，q^n}为预测用水量序列，
（1）绝对误差与相对误差
Ei=qi-q^i，i=1，2，…，n，
REi=qi-q^iqi，i=1，2，…，n.
（2）平均绝对误差
MAE=1n∑ni=1|E2i|=1n∑ni=1|qi-q^i|2，i=1，2，…，n.
（3）均方误差
MSE=1n∑ni=1E2i=1n∑ni=1（qi-q^i）2，i=1，2，…，n.
（4）均方根误差
RMSE=1n∑ni=1E2i=1n∑ni=1（qi-q^i）2，i=1，2，…，n.
（5）标准误差
SY=∑ni=1（qi-q^i）2n-m，i=1，2，…，n.
城市用水量预测会受多种情况影响造成预测误差，以上对城市用水量预测误差进行了分析比较，为了避免预测结果出现严重失真，当出现预测误差时需要对以上指标进行审查，及时加以改进，确保城市用水量预测模型的精准.
二、城市用水量组合预测模型选择应用
城市给水系统具有随机性和规律性并存的特点，一阶段内的用水量与天气因素、环境因素、日期类型具有密切联系，模型建立需要综合考虑以下问题：用水量预测模型需要反映出降雨量、日照、气温、水量自然增长、水量季节性波动等，预测模型的建立需要保证对异常情况的处理干预.依据城市用水量预测模型的要求，对城市用水量预测方法进行评述：
（一）回归分析模型
城市供水系统用水量与多种因素存在因果关系，通常这种关系不能用数学表达式进行描述，只有在数据处理分析的过程中才能发现和探索其中的关系和规律.回归分析模型可依据历史数据的变化规律确定模型参数来进行预测，在城市用水量预测中，在主要影响因素中引入自变量，依据相应变化因素修正预测值，适用于城市日用水量预测.
（二）时间序列模型
城市用水量预测应用时间序列模型，可以将用水量历史数据变化形成序列进行处理，在对用水量的预测过程中，对历史数据的要求较低，但如果出现伪数据会对水量预测造成严重影响.当城市用水量影响因素出现变化时，会造成预测结果出现偏差，适用于城市时用水量预测的优化控制.由于时间序列模型存在滞后性特点，当历史用水数据因客观因素影响而出现异常变化时，会对用水量预测精度造成一定的影响，当预测数据不能做出反应时，会导致预测结果的失真.可见时间序列模型对用水量预测不失为一种有效方法，但需要结合预测的环境和实际情况，才能获得较高的预测精度.
（三）灰色预测模型
灰色預测模型可将城市供水量的历史数据整合成系统规律，同时依据不同数据建立不同的预测模型，适用于城市的时用水量、日用水量、年用水量预测.由于灰色预测不建立数据模型，而是利用用水量序列数据预测未来数值，预测效果取决于用水量数据的特点，是对用水量发展趋势的反映.
（四）人工神经网络模型
人工神经网络模型在处理数据时，会通过城市用水量非线性输出和输入模型的建立，由计算机在分析未来输入的情况下，判断出应有的输出，具有较大的发展潜力和优越性.人工神经网络模型可在复杂的用水量影响因素下，通过对用水量的非线性描述，满足实际生产预测的需求.同时人工神经网络模型具有很好的容错性，可以处理大量的信息数据，继而可以更好地处理历史用水量的伪数据，在城市时用水量预测、日用水量预测中，可以得出相对准确的预测结果.
（五）组合预测模型
在城市用水量预测中应用组合预测模型，可以有效提高预测的稳定性和精度，应用组合预测模型是综合两种或两种以上单一模型对城市用水量进行预测的一种形式，可对城市的日用水量、时用水量、年用水量进行预测.组合预测模型可以综合各种预测方法的信息，提高预测模型的性能，在城市用水量预测中全面优于单一预测方法的结果.
三、结 语
综上所述，城市用水量预测是对水资源未来可能出现的变化进行估计和预测，可以有效地实现对城市用水的科学管理，确保供水系统的稳定和安全.通过对用水量组合预测模型的分析可以看出，城市给水系统用水量预测模型的精度整体较高，但需要对预测对象及其所处的环境进行假设，从而导致无法确定用水量预测参数之间的关系，而每一种单一的模型都采用了部分可用信息，在城市用水量预测中，综合应用各种组合预测模型，可以有效提高用水量预测的可靠性和准确性，在提高预测精度的同时，进一步降低了预测的风险.
【参考文献】
[1]周鹏飞，卢泽雨.基于SPSS多元线性回归模型在城市用水量的预测[J].水利科技与经济，2018（5）：6-10.
[2]邓权龙，蒋仲安，韩硕.基于小波分析与GM（1，1）-ARMA（p，q）组合的矿井防尘用水量预测[J].矿业安全与环保，2018（4）：75-79.
[3]葛佳佳，曾宪达.浙中地区县域经济向都市区经济转型的策略——一项基于引力模型的实证研究[J].金华职业技术学院学报，2018（4）：28-33.