公共文化服务平台

搜索到1286篇“ 城市用水量预测“的相关文章

城市用水量预测被引量：3: 1992年; 本文引用柯布——道格拉斯生产函数建立城市用水量预测模型,并以某市为背景作了实例计算,分析了城市居民消费水平、居住面积以及工业总产值的增长对该市2000年和2010年用水量的影响。; 徐得潜; 关键词：城市用水量生产函数

基于迁移学习的城市用水量预测方法、系统、设备及介质: 本申请涉及一种基于迁移学习的城市用水量预测方法、系统、设备及介质。所述方法包括：通过网格划分得到多个一级源域和一级目标域；构建不同域的管道约束并获取不同用水模式的历史用水量序列及对应的影响因素序列；确定每个一级目标域的匹...; 徐步欧黄军黎绵青童镇立孙东奎

基于迁移学习的城市用水量预测方法、系统、设备及介质: 本申请涉及一种基于迁移学习的城市用水量预测方法、系统、设备及介质。所述方法包括：通过网格划分得到多个一级源域和一级目标域；构建不同域的管道约束并获取不同用水模式的历史用水量序列及对应的影响因素序列；确定每个一级目标域的匹...; 徐步欧黄军黎绵青童镇立孙东奎

基于残差修正GM(1,1)灰色动态模型群的城市用水量预测研究: 2024年; [目的]探究残差修正GM(1,1)灰色动态模型群在城市用水量预测中的应用。[方法]在传统单一GM(1,1)灰色模型的基础上,采用对数曲线对预测结果进行残差拟合修正,分别构建传统单一GM(1,1)灰色模型和残差修正GM(1,1)灰色动态模型群,利用济宁市2013-2022年实际城市用水量数据进行实例验证和预测分析。[结果]相对于传统单一GM(1,1)灰色模型,残差修正GM(1,1)灰色动态模型群拟合精度和预测精度均有明显提升,传统单一GM(1,1)灰色模型拟合相对误差为0.22%~4.22%,预测相对误差为0.91%~2.74%,预测平均相对误差为1.62%,预测均方误差为0.143,残差修正GM(1,1)0灰色动态模型群拟合相对误差在0.02%~3.09%,预测相对误差为0.75%~2.42%,预测平均相对误差为1.32%,预测均方误差为0.102。[结论]济宁市未来用水量呈下降趋势,这与济宁市严格落实最严格水资源管理制度、刚性约束用水相关指标、用水效率得到提升的情况吻合。残差修正GM(1,1)灰色动态模型群能够满足城市用水量预测。; 李振张健; 关键词：用水量预测

基于三种灰色神经网络的城市用水量预测被引量：3: 2023年; 对城市未来的用水量数据进行精确的预测,可以为城市建设规划和供水管网水资源调度的优化提供重要信息参考。选取绵阳市1999-2021年各年的城市用水总量及相关因素数据进行研究,首先运用灰色关联分析法对各因素进行评估,其次根据目前灰色系统理论GM(1,1)以及BP神经网络预测模式相并合的方法,构建串联模式、并联模式和嵌入模式三种灰色神经网络预测模式进行预测,并对比其预测准确度。实验结果表明:与传统单一的GM(1,1)以及BP神经网络预测模式预测相比,三种灰色神经网络预测模式预测准确度更高,在其中串联类型灰色神经网络最高。因此,可以采用这种组合方法来进行中短期城市用水量的预测并用此方法对绵阳市未来三年的用水量进行了预测。; 陈昊天李慧; 关键词：城市用水量组合预测灰色关联分析法灰色神经网络

基于SATT-TCN-LSTM模型的城市用水量预测方法: 一种基于SATT‑TCN‑LSTM模型的城市用水量预测方法，包括如下步骤：获取城市历史用水量数据集，所述城市历史用水量数据集包含城市历史用水量以及多个影响城市历史用水量的影响因素；分析各影响因素与城市历史用水量之间的关联...; 曹平程瑞刘卫刚

一种城市用水量预测方法、装置及设备: 本发明提供一种城市用水量预测方法、装置及设备，所述方法包括：获取城市实时的时间特征数据、天气特征数据和自回归特征数据；将所述时间特征数据、天气特征数据和自回归特征数据，输入确定的城市用水量预测模型中进行处理，得到城市用水...; 林伟斌高振宇吴奇锋王燕

一种城市用水量预测方法、装置及设备: 本发明提供一种城市用水量预测方法、装置及设备，所述方法包括：获取城市实时的时间特征数据、天气特征数据和自回归特征数据；将所述时间特征数据、天气特征数据和自回归特征数据，输入确定的城市用水量预测模型中进行处理，得到城市用水...; 林伟斌高振宇吴奇锋王燕

基于TCK-LSTM-ATT模型的城市用水量预测被引量：2: 2022年; 针对LSTM神经网络模型的计算量较大,不可控的自主选择过程以及容易过拟合等问题,提出了TCK-LSTM-ATT模型,利用卷积核对数据特征进行提取合并,采用注意力机制对重要数据进行加权的组合模型方法。为了验证该模型对于供水量预测的准确性,利用中国东北某市2019年到2020年的某供水管网系统供水数据进行验证。实验结果表明,与普通模型相比,组合模型的预测误差减少约20%,R^(2)值约为9.5,取得了较好的预测效果。; 王梓涵于忠清; 关键词：卷积核

基于机器学习的城市用水量预测模型研究: 2022年; 随着浙江省水利数字化改革的深入推进,提升水利智慧化管理水平过程中,人工智能、深度学习等技术具有广阔的应用前景。其中运用机器学习算法挖掘水资源动态监测数据的内在规律进行城市用水量动态预测,从而精准掌握城市用水量未来时段的变化情况,对于支撑城市供水旱情研判、提高水资源精细化管理水平具有重要作用。利用长兴水务公司2013—2021年取水实时监测数据,采用支持向量机模型方法构建长兴县城市用水量预测模型,探讨基于机器学习的用水量数据挖掘方法在城市用水量预测领域的适用性,为水资源数字化改革提供有效的模型组件。; 朱铭江裘娅张祖鹏; 关键词：支持向量机数据挖掘城市用水量用水量预测

相关作者