基于 RAGA 的 GM(1,1)-RBF 组合需水预测模型

长江科学院院报 ›› 2010, Vol. 27 ›› Issue (5): 29-33.

基于 RAGA 的 GM(1,1)-RBF 组合需水预测模型

邵磊¹, 周孝德¹ , 杨方廷² , 韩军²

1. 西安理工大学水电学院 , 西安 710048 ； 2. 系统仿真技术应用国家工程研究中心 , 北京 100854

出版日期:2010-05-01 发布日期:2010-05-01

Water Demand Prediction Model Constructed by GM(1,1)-RBF Portfolio Neural Network Based on RAGA

SHAO Lei¹ , ZHOU Xiao-de¹ , YANG Fang-ting² , HAN Jun²

1. Xi ' an University of Technology, Xi ' an 710048, China ；  2.National Engineering Research Center of System Simulation Technology Application, Beijing 100854, China

Published:2010-05-01 Online:2010-05-01

摘要/Abstract

摘要： 建立了基于实码加速遗传算法（real coded accelerating genetic algorithm, RAGA）的灰色 (grey model,GM(1,1)) 径向基函数 (radial basis function, RBF) 神经网络预测模型。该模型克服了传统 GM(1,1) 模型存在明显系统误差和容易陷入局部最优的缺点 , 具有 GM(1,1) 模型对数据确定性方面把握的优点 , 同时融合了人工神经网络在不确定因素预测方面的优势。运用该模型对山西工业需水量进行预测 , 预测表明该模型相比单个传统模型具有相对较高的预测精度，验证了 GM(1,1)-RBF 组合模型在中长期需水预测应用中的合理性，对相关政策的制定有一定参考价值。

关键词: 实码加速遗传算法, 灰色预测模型, 径向基函数神经网络, 组合预测, 山西

Abstract: A GM(grey model)(1,1)-RBF (radial basis function) model based on RAGA(real coded accelerating genetic algorithm) has been established. There exist conspicuously systematical deviations when we are fitting the data using the traditional GM(1,1) model. But the shortcoming has been overcome by the new model. The model has the following advantages: Firstly, it can hold the certainty of the data; what ' s more, the advantages in the uncertainty domain in neural network are interfused. The predicted results indicated that it is more precise than the traditional methods. The scientific rationality of portfolio forecast model used for medium-and long-term forecast respectively is verified . The result will provide a reference in making policy.

Key words: RAGA , GM(1,1) , radial basis function neural network, portfolio prediction , Shanxi Province

中图分类号:

TV211.1

邵磊 , 周孝德 , 杨方廷 , 韩军. 基于 RAGA 的 GM(1,1)-RBF 组合需水预测模型[J]. 长江科学院院报, 2010, 27(5): 29-33.

SHAO Lei, ZHOU Xiao-de, YANG Fang-ting , HAN Jun. Water Demand Prediction Model Constructed by GM(1,1)-RBF Portfolio Neural Network Based on RAGA[J]. Journal of Changjiang River Scientific Research Institute, 2010, 27(5): 29-33.

[1]	马佳佳, 苏怀智, 王颖慧. 基于EEMD-LSTM-MLR的大坝变形组合预测模型[J]. 长江科学院院报, 2021, 38(5): 47-54.
[2]	刘志明,周真中,王永强,洪晓峰. 基于灰色预测模型的区域水资源承载力预测分析[J]. 长江科学院院报, 2019, 36(9): 34-39.
[3]	李秋全. 改进组合预测模型在铁路隧道变形预测中的应用[J]. 长江科学院院报, 2018, 35(11): 63-68.
[4]	周永胜. 多阶段递进式预测模型在基坑变形中的应用研究[J]. 长江科学院院报, 2017, 34(8): 47-51.
[5]	张碧. 基于小波变换的隧道大变形组合预测方法[J]. 长江科学院院报, 2017, 34(7): 94-98.
[6]	王娟, 王兴科. 组合预测及R/S分析在基坑变形趋势判断中的应用研究[J]. 长江科学院院报, 2017, 34(5): 103-108.
[7]	杨振兴,陈飞飞,马还援,李忠艳. 基于回归分析和小波变换的边坡变形组合预测研究[J]. 长江科学院院报, 2017, 34(4): 38-42.
[8]	邱子锋, 沈简, 傅旭东, 罗浩威. 基于最优加权组合预测的隧道监控量测数据分析[J]. 长江科学院院报, 2016, 33(5): 53-57.
[9]	王振双，施玉群，何金平. 基于周期外延法的监测效应量灰色时序组合预测模型[J]. 长江科学院院报, 2014, 31(9): 29-32.
[10]	谈小龙. 大型边坡多测点组合变形预测方法及工程应用[J]. 长江科学院院报, 2014, 31(11): 143-148.
[11]	李林, 付强. 偏最小二乘回归与灰色模型耦合预测城市用水量[J]. 长江科学院院报, 2008, 25(4): 20-23.
[12]	张英, 齐欢, 王小平. 新滩滑坡非线性动力学模型方法研究[J]. 长江科学院院报, 2002, 19(4): 33-35.