城市用水量组合预测模型的应用与研究
| 摘要 | 第1-5页 |
| Abstract | 第5-10页 |
| 第1章 绪论 | 第10-16页 |
| ·课题研究背景 | 第10-11页 |
| ·国内外用水量预测的现状与进展 | 第11-13页 |
| ·国外的研究现状与进展 | 第12-13页 |
| ·我国的研究现状与进展 | 第13页 |
| ·存在的问题和不足 | 第13-14页 |
| ·本课题研究的主要内容、目的和意义 | 第14-16页 |
| ·研究的主要内容 | 第14-15页 |
| ·研究的目的和意义 | 第15-16页 |
| 第2章 城市用水量预测概述 | 第16-31页 |
| ·城市用水量预测的概念和意义 | 第16-20页 |
| ·城市用水量预测的概念 | 第16页 |
| ·城市用水量预测的分类 | 第16-17页 |
| ·城市用水量预测的意义与作用 | 第17-19页 |
| ·城市用水量预测的特点 | 第19-20页 |
| ·用水量预测的原则及建模步骤 | 第20-22页 |
| ·城市用水量预测的原则 | 第20-21页 |
| ·建立预测模型的一般过程 | 第21-22页 |
| ·城市用水量预测模型的选择 | 第22-26页 |
| ·回归分析模型 | 第23-24页 |
| ·时间序列模型 | 第24页 |
| ·灰色预测模型 | 第24-25页 |
| ·人工神经网络模型 | 第25页 |
| ·组合预测模型 | 第25-26页 |
| ·分类预测模型 | 第26页 |
| ·用水量预测误差分析及精度评价 | 第26-30页 |
| ·产生误差原因 | 第26-27页 |
| ·预测误差分析 | 第27-29页 |
| ·用水量预测精度评价分析 | 第29-30页 |
| ·本章小结 | 第30-31页 |
| 第3章 等维新息神经网络预测模型的应用 | 第31-43页 |
| ·人工神经元网络模型概述 | 第31-37页 |
| ·人工神经元 | 第31-34页 |
| ·人工神经元网络模型 | 第34-36页 |
| ·人工神经网络的训练 | 第36-37页 |
| ·BP 网络的结构及基本原理 | 第37-38页 |
| ·BP 网络模型 | 第37-38页 |
| ·BP 网络原理 | 第38页 |
| ·建立预测模型及实例分析 | 第38-41页 |
| ·模型建立 | 第39-40页 |
| ·实例研究 | 第40-41页 |
| ·本章小结 | 第41-43页 |
| 第4章 基于GA-BP 算法的日用水量预测 | 第43-51页 |
| ·遗传算法的基本原理概述 | 第43-46页 |
| ·参数编码 | 第44页 |
| ·群体的生成 | 第44-45页 |
| ·适应度函数 | 第45页 |
| ·遗传操作 | 第45-46页 |
| ·遗传算法在神经网络学习中的应用 | 第46-49页 |
| ·数据归一化处理 | 第47页 |
| ·GA-BP 混合算法的实现 | 第47-48页 |
| ·解码 | 第48-49页 |
| ·网络的训练和模拟 | 第49页 |
| ·佳木斯市日用水量预测研究 | 第49-50页 |
| ·本章小结 | 第50-51页 |
| 第5章 大用户用水量动态预测模型的研究 | 第51-62页 |
| ·城市用水大户情况调查研究 | 第51-53页 |
| ·用水户的分类 | 第52页 |
| ·选取特征用水户 | 第52-53页 |
| ·大用户用水量动态预测模型与方法 | 第53-57页 |
| ·指数平滑法 | 第54-56页 |
| ·SE-GM 法 | 第56-57页 |
| ·预测模型的工程应用 | 第57-61页 |
| ·本章小结 | 第61-62页 |
| 结论与展望 | 第62-64页 |
| 参考文献 | 第64-69页 |
| 致谢 | 第69页 |
