城市用水量预测影响因素分类以及对预测目标的权重分析

全面、充分地分析了影响城市用水量预测的各种因素,并逐一进行分析、分类、筛选和综合评定。结合预测的功能目标,对10类主要影响因素采用权重打分法的办法,在预测前优先遴选权重值比较高的敏感因子,为后续的预测模型建立筛选出最有价值的数据序列,并根据这些敏感因子来建立适宜的预测模型,、目的是规避预测结果的非关系成分扰动,并为快速建立预测模型限定合理的选择范围。     

用水量预测模型影响因子综合分类及其作用评价

对影响城市综合用水量预测的众多因素进行了统一的归纳分类,并逐一对用水量预测的影响进行分析和评价。结合预测的最终功能目标,对如何利用这些影响因素进行了综合评价,便于预测者遴选预测数据,优先遴选敏感因子,为后续的预测模型建立筛选出有价值的数据序列。     

基于BP神经网络的大气污染物浓度预测

利用BP神经网络结合变量筛选的方法建立了SO_2、NO_2、O3、CO、PM_(10)、PM_(2.5)等6种污染物的浓度预测模型,并选取2014-01-01至2015-11-28时段,昆明市区5个环境监测点以上6种污染物浓度的监测数据建立了昆明市污染物日均浓度预测模型.采用平均影响值(Mean Impact Value,MIV)的方法筛选出分别对6种污染物日均浓度值有主要影响的变量,作为BP神经网络的输入变量,利用建立的预测模型分别对6种污染物的日均浓度进行预测.结果表明,在关上监测点利用浓度预测模型对SO_2、NO_2、O3、CO、PM_(10)、PM_(2.5)等6种污染物浓度进行预测,污染物浓度预测值和实测值趋势吻合度较高.变量筛选后SO_2、PM_(2.5)预测效果比变量筛选前的预测效果好.O3的均方根误差和PM_(10)的标准化平均偏差,变量筛选前的预测效果比变量筛选后的预测效果好.变量筛选前的NO_2和CO的预测结果比变量筛选后的预测效果好.其他4个环境监测点的污染物浓度预测结果与关上监测点的结果相似.     

201O年前郑州城市道路交通噪声污染预测和治理对策

根据郑州市１９９４～１９９８年城市道路交通噪声的监测数据以及影响城市道路交通噪声相关因素的数据，运用灰色系统理论，建立ＧＭ（１，Ｎ）预测模型对郑州市２０１０年前城市道路交通噪声进行预测；并利用灰色关联分析的方法进行分析，科学的得出产生城市道路交通噪声的主要因素，根据这一分析结果，提出了１９９９年到２０１０年期间治理对策。     

基于灰色理论与BP神经网络预测成都市生活垃圾产生量

根据成都市中心城区垃圾产生量的历年数据,先用以时间为单变量的灰色GM(1,1)预测模型得到历年数据的拟合值,再分析垃圾产生量与其影响因素之间的灰色关联度,选出关联度最大的4个因素建立多变量的灰色GM(1,5)预测模型与BP神经网络模型,并对垃圾产生量的预测精确度进行了对比,用预测精度最高的BP神经网络模型对未来年份的垃圾产生量进行了预测,为成都市垃圾处理处置规划提供了理论依据。     

基于LSTM的跨海桥梁危化品车辆行驶轨迹预测

我国沿海地区气象环境复杂，跨海桥梁上车辆混杂密集，车流量大、车辆混杂和侧风环境等因素都对跨海桥梁危化品车辆的安全行驶产生了极大的影响，因此跨海桥梁危化品车辆行驶轨迹研究对于加强危化品运输安全管理具有重要的现实意义。针对跨海桥梁危化品运输车辆的轨迹预测问题，利用深度学习方法，建立了一种基于长短时记忆网络(LSTM)与注意力机制的跨海桥梁危化品车辆行驶轨迹预测模型，该预测模型包括信息输入模块、注意力层和轨迹输出模块，并利用沿海一座跨海大桥上危化品车辆行驶环境实测轨迹数据对预测模型的预测性能进行了分析与验证。结果表明：LSTM能适应长时域的车辆行驶轨迹预测，注意力机制提高了预测模型的训练速度；由于考虑了车辆间交互影响因素，该预测模型具有更高的准确性和计算效率，同时LSTM也减少了预测模型在时域较长情况下车辆行驶轨迹预测的误差。     

基于RBF网络的城市垃圾产量预测及可视化

为了预测并控制未来几年城市垃圾产量,以我国城市为例,利用K-近邻互信息的多变量特征从18个拟影响因素中确定了8个影响垃圾排放量因子,分别为常住人口、地区生产总值、社会消费品零售值、金融业增加值、工业增加值、批发和零售业增加值、住宿和餐饮业增加值和第三产业增加值.以2006~2013年数据为训练样本,2014~2015年数据为检验样本,根据影响因素建立径向基函数（RBF）神经网络预测模型,并基于平均相对误差对模型反向修正.然后结合两段式径向基预测模型,对全国各省市2017~2018年的垃圾总产量预测并可视化.结果表明,本文建立的两段式径向基预测模型平均相对误差是6.43%,预测精度为93.57%.可见,该模型的预测精度较高,能较好的在现实生活中对城市垃圾的产生量进行预测.     

人工鱼群神经网络应用于城市污水处理厂进水量预测研究

城市污水处理厂进水量的预测精度对污水厂的安全运行与科学管理具有重要影响。将人工鱼群算法用于神经网络的训练过程,并根据污水厂进水量的变化特性,考虑其周期性及气温、天气和节假日等影响因素,建立人工鱼群神经网络的预测模型。将人工鱼群神经网络预测模型应用到实际中,研究结果表明人工鱼群神经网络具有预测精度高、误差小的优点,在污水管网监测预警及实现管网与水厂联动等方面具有一定的实际意义。     

罗源起步溪水环境质量灰色预测与控制

根据流域生态系统的灰色性，建立水环境质量灰色预测模型，模型预测结果与实测值相符。     

基于BP神经网络的污泥水解液合成PHA的多参数敏感性分析

本文采用多参数敏感性分析方法对影响污泥水解液合成PHA产量的参数进行分析.在实验数据的基础上,利用BP神经网络建立了PHA的产量预测模型.通过与真实试验结果的对比,验证了预测模型的精确度.根据训练完成的神经网络模型中的各参数变量到目标的权值和阈值,利用Garson算法定量得到各参数变量对于目标的参数敏感性系数数值.结论表明：基于BP神经网络技术建立的预测模型具有较高的可信度,多参数敏感性分析方法可评估多因素同时变化对PHA产量的影响,具有较高的实用价值.