[發(fā)明專利]一種基于相關(guān)分析的BP神經(jīng)網(wǎng)絡(luò)用水量預(yù)測方法

在審

• 申請?zhí)枺?/td>: 201810498749.1
• 申請日: 2018-05-23
• 公開（公告）號: CN108764473A
• 公開（公告）日: 2018-11-06
• 發(fā)明（設(shè)計）人: 劉心;劉龍龍;李文竹
• 申請（專利權(quán)）人: 河北工程大學
• 主分類號: G06N3/08
• 分類號: G06N3/08;G06N3/04;G06Q10/04;G06Q50/06
• 代理公司: 暫無信息
• 代理人: 暫無信息

1.一種基于相關(guān)分析的反向傳播（BP，Back Propagation）神經(jīng)網(wǎng)絡(luò)居民社區(qū)日用水量預(yù)測方法，所述BP神經(jīng)網(wǎng)絡(luò)為三層BP網(wǎng)絡(luò)，包括n個輸入層神經(jīng)元，p個隱含層神經(jīng)元和1個輸出層神經(jīng)元，該方法包括如下步驟：首先對樣本數(shù)據(jù)進行相關(guān)分析，確定輸入變量；然后利用打破嚴格時間序列的訓(xùn)練集確定預(yù)測模型的參數(shù)以確定預(yù)測模型；最后，利用該BP神經(jīng)網(wǎng)絡(luò)預(yù)測模型進行預(yù)測，輸出結(jié)果。

2.根據(jù)權(quán)利要求1所述的方法，所述打破嚴格時間序列是指打亂訓(xùn)練集按照時間先后順序排列而形成的數(shù)據(jù)序列，突破時間序列的限制，消除時間因素的影響。

3.根據(jù)權(quán)利要求2所述的方法，其中確定預(yù)測模型包括：

（1）參數(shù)初始化；

（2）輸入訓(xùn)練集數(shù)據(jù)，計算各層輸出；

（3）計算輸出層誤差；

（4）判斷是否達到誤差精度，

（5）如果沒有達到誤差精度，則根據(jù)輸出層誤差調(diào)整各層權(quán)值和閾值，返回步驟（2）；

（6）若達到誤差精度，則確定BP神經(jīng)網(wǎng)絡(luò)預(yù)測模型。

4.根據(jù)權(quán)利要求3所述的方法，所述相關(guān)分析包括判定天氣狀況、節(jié)假日等各影響因素對居民社區(qū)用水量的影響，利用相關(guān)系數(shù)檢驗法進行相關(guān)分析。

5.根據(jù)權(quán)利要求4所述的方法，所述相關(guān)分析包括根據(jù)相關(guān)分析理論計算居民日用水量Y與影響因素X之間的相關(guān)系數(shù)r：

其中x_i和y_i分別為影響因素X和居民社區(qū)用水量Y第i天的數(shù)值， 和 分別為X和Y的均值，i=1,2，…n。

6.根據(jù)權(quán)利要求5所述的方法，所述確定輸入變量包括用偏相關(guān)分析理論計算偏自相關(guān)系數(shù)度量居民社區(qū)日用水量時間序列內(nèi)部存在的相關(guān)關(guān)系。

7.根據(jù)權(quán)利要求6所述的方法，用水量樣本集為Y(t)=y₁，y₂，y₃，…，y_n,其偏自相關(guān)系數(shù)為

式中，k為延遲時間，即時間間隔，k=1,2，…,m；為均值；r_k為偏自相關(guān)系數(shù)。

8.根據(jù)權(quán)利要求7所述的方法，確定r_k第一次過零點時所對應(yīng)的k值為最優(yōu)延遲時間；對于當延遲時間很大時r_k才趨近于零的情況，最佳延遲時間取r_k第一次小于時所對應(yīng)的k值。

9.根據(jù)權(quán)利要求1所述的方法，設(shè)隱含層第j個神經(jīng)元的閾值為θ_j，則隱含層第j個神經(jīng)元的輸入為

式中，W_ij是第i個輸入神經(jīng)元與第j個隱含層神經(jīng)元的連接權(quán)值；z_i為輸入變量輸入時第i個神經(jīng)元的輸入值；隱含層第j個神經(jīng)元的輸出為b_j=f（s_j）,j=1，2…，p，f為激勵函數(shù)，其形式為：

日用水量輸出層神經(jīng)元的閾值為γ，日用水量輸出的神經(jīng)元的輸入為：

式中，V_j是第j個隱含層神經(jīng)元與輸出神經(jīng)元的連接權(quán)值；

日用水量輸出為Cr=f(L)。

10.根據(jù)權(quán)利要求3-9中任意一個所述的方法，所述輸出層誤差計算為

其中，為訓(xùn)練集樣本個數(shù)，y_d和分別為訓(xùn)練樣本的實測值和預(yù)測值。