最優(yōu)加權(quán)組合預(yù)測(cè)法在水質(zhì)預(yù)測(cè)中的應(yīng)用研究
摘要：針對(duì)用再生水補(bǔ)給河流的水質(zhì)預(yù)測(cè)問題,提出了基于最優(yōu)加權(quán)法的組合預(yù)測(cè)模型.利用灰色預(yù)測(cè)模型、趨勢(shì)外推法和指數(shù)平滑法3種方法分別進(jìn)行預(yù)測(cè),再以預(yù)測(cè)誤差平方和最小為目標(biāo),將預(yù)測(cè)值的加權(quán)問題轉(zhuǎn)化為優(yōu)化問題,求解得到各種方法預(yù)測(cè)值的權(quán)值.然后,將3種方法所得的預(yù)測(cè)結(jié)果用最優(yōu)加權(quán)法進(jìn)行組合,得到組合預(yù)測(cè)值.最后,應(yīng)用組合預(yù)測(cè)法對(duì)由再生水補(bǔ)給的永定河中的DO值進(jìn)行預(yù)測(cè),并與單一預(yù)測(cè)模型比較.仿真結(jié)果表明,組合模型可以平衡各種方法的偏差,模型的適用性和預(yù)測(cè)精度有所改善.
關(guān)鍵詞：再生水水質(zhì) 組合預(yù)測(cè) 灰色預(yù)測(cè)模型 趨勢(shì)外推法 指數(shù)平滑法
1 引言
隨著經(jīng)濟(jì)的發(fā)展和人們生活水平的提高,天然水體正不斷遭到污染. 水體中含有多種污染物,它們濃度的高低直接影響水質(zhì)的好壞. 因此,對(duì)水體中污染物濃度的預(yù)測(cè)和水質(zhì)趨勢(shì)變化的研究,具有重要的理論和現(xiàn)實(shí)意義. 目前已有多種模型與預(yù)測(cè)方法,如模糊綜合評(píng)價(jià)(吳運(yùn)敏等,2011)、回歸分析(李林等, 2005)、時(shí)間序列分析(Lim et al. ,2002)、灰色系統(tǒng)Kayacan et al. , 2010)、人工神經(jīng)網(wǎng)絡(luò)(ANNs)(邱林等, 1998)等,由于它們的適用條件及建模機(jī)理各不相同,在不同程度上都有一定的局限性. 1969 年Bates 和Granger(1969)在《運(yùn)籌學(xué)季刊》中首次提出“組合預(yù)測(cè)”的思想,開始了對(duì)組合預(yù)測(cè)的系統(tǒng)研究. 將幾種預(yù)測(cè)方法組合成一個(gè)預(yù)測(cè)模型,即用多個(gè)預(yù)測(cè)模型的有效組合或多個(gè)因素的科學(xué)綜合,將比較合理地描述系統(tǒng)的客觀現(xiàn)實(shí),于是組合預(yù)測(cè)的方法被廣泛采用. 如自回歸移動(dòng)平均模型(ARIMA)與人工神經(jīng)網(wǎng)絡(luò)的聯(lián)合模型,充分利用了ARIMA 的線性與ANNs 的非線性的獨(dú)特優(yōu)勢(shì)(Zhang, 2003);采用基于混沌理論和RBF 神經(jīng)網(wǎng)絡(luò)的組合預(yù)測(cè)方法,對(duì)短時(shí)交通流量進(jìn)行預(yù)測(cè),得到了較高的精度(張玉梅等, 2007).
由于影響水質(zhì)變化的隨機(jī)因素較多,所以單一模型的預(yù)測(cè)風(fēng)險(xiǎn)性較大,而且精度也不一定很高.為了解決這個(gè)問題,并進(jìn)一步提高精度,本文采用組合預(yù)測(cè)模型,應(yīng)用3 種不同方法的預(yù)測(cè),再用最優(yōu)加權(quán)組合方法對(duì)同一時(shí)期的不同預(yù)測(cè)值進(jìn)行加權(quán),得出組合預(yù)測(cè)值. 將組合預(yù)測(cè)模型用于永定河水質(zhì)的預(yù)測(cè),以期得到較高精度的預(yù)測(cè),減小預(yù)測(cè)誤差.
使用微信“掃一掃”功能添加“谷騰環(huán)保網(wǎng)”
如果需要了解更加詳細(xì)的內(nèi)容，請(qǐng)點(diǎn)擊下載 
201301040959230915.zip
下載該附件請(qǐng)登錄，如果還不是本網(wǎng)會(huì)員，請(qǐng)先注冊(cè)
