| 中文摘要 | 第3-5页 |
| 英文摘要 | 第5-6页 |
| 1 绪论 | 第10-18页 |
| 1.1 研究背景及研究意义 | 第10-11页 |
| 1.1.1 研究背景 | 第10页 |
| 1.1.2 城市中长期需水量预测的意义 | 第10页 |
| 1.1.3 城市短期需水量预测的意义 | 第10-11页 |
| 1.2 城市需水量预测方法研究现状 | 第11-15页 |
| 1.3 研究内容和技术路线 | 第15-18页 |
| 2 基于多分辨BP神经网络的日需水量预测模型 | 第18-36页 |
| 2.1 BP神经网络 | 第18-21页 |
| 2.1.1 网络结构 | 第18-19页 |
| 2.1.2 网络训练过程 | 第19-20页 |
| 2.1.3 BP网络在实际应用中的问题 | 第20-21页 |
| 2.2 多分辨分析 | 第21-23页 |
| 2.2.1 多分辨分析的概念 | 第21页 |
| 2.2.3 小波变换 | 第21-23页 |
| 2.3 需水量时间序列混沌分析 | 第23-27页 |
| 2.3.1 需水量时间序列的混沌性判定 | 第23-26页 |
| 2.3.2 需水量时间序列的相空间重构 | 第26-27页 |
| 2.4 多分辨BP网络预测模型 | 第27-28页 |
| 2.4.1 模型原理 | 第27-28页 |
| 2.4.2 模型的建立 | 第28页 |
| 2.5 实例分析 | 第28-34页 |
| 2.5.1 计算过程及结果 | 第29-32页 |
| 2.5.2 对比验证 | 第32-34页 |
| 2.5.3 模型评价指标 | 第34页 |
| 2.6 本章小结 | 第34-36页 |
| 3 基于蛙跳算法优化的支持向量机的日需水量预测模型 | 第36-48页 |
| 3.1 回归支持向量机 | 第36-40页 |
| 3.1.1 线性回归支持向量机 | 第36-38页 |
| 3.1.2 非线性回归支持向量机 | 第38-39页 |
| 3.1.3 核函数的选择 | 第39页 |
| 3.1.4 支持向量机的参数优化 | 第39-40页 |
| 3.2 混合蛙跳算法（SFLA） | 第40-43页 |
| 3.2.1 SFLA的原理 | 第40-41页 |
| 3.2.2 SFLA的数学模型 | 第41页 |
| 3.2.3 SFLA的算法流程 | 第41-43页 |
| 3.3 SFLA优化SVM的步骤及流程 | 第43-44页 |
| 3.4 SFLA优化SVM的预测模型 | 第44页 |
| 3.5 实例分析 | 第44-47页 |
| 3.6 本章小结 | 第47-48页 |
| 4 基于灰色理论的年需水量预测模型 | 第48-70页 |
| 4.1 累加生产与累减还原 | 第49-50页 |
| 4.2 GM(1,1)模型 | 第50-51页 |
| 4.3 GM(1,1)模型的小样本特性与样本数目选择 | 第51-52页 |
| 4.3.1 GM(1,1)模型的小样本特性 | 第51-52页 |
| 4.3.2 GM(1,1)模型的样本选择 | 第52页 |
| 4.4 GM(1,1)模型的优化 | 第52-55页 |
| 4.4.1 GM(1,1)模型初始值的优化 | 第52-54页 |
| 4.4.2 GM(1,1)模型背景值的优化 | 第54页 |
| 4.4.5 SFLA优化GM(1,1)模型 | 第54-55页 |
| 4.5 缓冲算子 | 第55-59页 |
| 4.5.1 缓冲算子的基本定义 | 第55-56页 |
| 4.5.2 常用缓冲算子 | 第56-57页 |
| 4.5.3 变权重缓冲算子及其作用强度 | 第57-58页 |
| 4.5.4 可变权重的确定方法 | 第58-59页 |
| 4.6 基于GM(1,1)的城市年需水量预测模型的建模步骤 | 第59-61页 |
| 4.7 实例分析 | 第61-68页 |
| 4.7.1 基于SFLA-GM(1,1)的城市年需水量预测 | 第61-63页 |
| 4.7.2 基于变权强化缓冲算子和SFLA-GM(1,1)的城市年需水量预测 | 第63-66页 |
| 4.7.3 基于变权弱化缓冲算子和SFLA-GM(1,1)的城市年需水量预测 | 第66-68页 |
| 4.8 本章小结 | 第68-70页 |
| 5 结论与建议 | 第70-72页 |
| 5.1 结论 | 第70-71页 |
| 5.2 研究创新点 | 第71页 |
| 5.3 建议 | 第71-72页 |
| 致谢 | 第72-74页 |
| 参考文献 | 第74-80页 |
| 附录 | 第80页 |
| A. 作者在攻读硕士学位期间发表的论文 | 第80页 |
