水需求的预测研究基于BP神经网络的建筑工程

文摘

科学和有效的预测用水量的建筑工程施工管理成本具有重要意义。解决用水量大、不确定性高的水工程建设的需求,预测模型基于反向传播(BP)神经网络提高了粒子群优化(PSO)提出了在目前的工作。减少冗余输入变量的复杂性,该模型确定了主要影响因素的水通过灰色关联分析的需求。的BP神经网络优化算法被用来获得输出的预测值区间,这有效地解决了BP神经网络模型的不足之处,包括其收敛速度慢和容易陷入局部最优的问题。此外,用水量间隔数据Taiyangchen项目位于信阳市,河南省,中国,模拟。根据案例研究的结果,有四个主要因素影响施工用水量Taiyangchen项目的,也就是说,盘中的浇注混凝土,天气盘中,工人数量,盘中的木材使用。预测数据与实际数据基本上是一致的,相对误差小于5%,平均误差仅为2.66%。然而,错误的BP神经网络模型,遗传算法的BP神经网络改进,和多元回归大。三个传统机器学习中错误分析工具(确定系数、根均方误差、平均绝对误差)也强调了该方法的可行性和先进性。

1。介绍

建筑工程的成本管理是一个复杂的问题,和不同的成本管理策略应根据建筑材料的不同特点(1]。建设水的成本管理具有以下特点。(1)水的单价很低,几乎不变。因此,成本分析的本质相关建设水是分析建设需求。(2)施工用水的总量巨大,并确保供水在施工期间的稳定性,因此,对施工的顺利进行具有重要意义2]。此外,尽管建筑水的成本占总成本的一小部分建设工程,水在施工过程中起着重要作用[3]。施工用水的科学有效的预测不仅可以用来计算的成本建设水科学、有效但也可以保证供水的稳定性在施工期间尽可能多,这也是建设的顺利进行具有重要意义。

然而,建筑用水量的预测是复杂的。几乎所有的施工操作需要水。操作,如现场混凝土施工和模板施工的特点是高水的消耗。此外,建筑工程复杂阶段,不同施工阶段的用水量是非常不同的。

工业用水量预测的传统方法包括参数统计和确定性模型,为工程计算通常被纳入模型或物理分析量化后的因素影响施工用水量。他和道(4)建立了一个耦合的灰色系统和多元回归模型来预测用水量在武汉,出现了一个清晰的概念,结构简单。通过幂函数模型,线性函数模型、对数函数模型和抛物线函数模型,Zhang et al。5拟合曲线的用水量在中国2015年,2020年和2030年。结果表明,抛物线曲线拟合的相关系数最大,平均绝对百分误差是最小的,拟合的效果是最好的。巴克et al。6)使用统计抽样的方法来预测住宅用水量在加州。然而,这些研究方法都是耗时和容易预测错误,因为他们认为独立和相关的变量之间的关系是一个简单的线性过程。然而,关于水的消耗在建筑工程中,各变量之间的相互作用构成一个大型和复合系统与连续非线性变化。一个简化的模型会影响分析结果的准确性,从而导致建筑工程用水量的预测精度无法满足工程实践的需要,并构成实质性威胁工程项目的顺利进行。此外,传统的水资源需求预测方法需要大量的完整的统计数据获得一致的研究结果。然而,巨大数量的完整的统计数据很难获得在建筑工地。

近年来,人工智能算法的出现,如人工神经网络(ann),提供了新的想法进行实时预测的水需求的复杂系统建设项目(7]。ANN方法具有良好的自适应学习能力和非线性映射能力,能够充分利用输入数据的潜在规律,从而证明显著的优势,研究和分析多因素耦合的复杂系统。当一个ANN应用于建设工程施工的水需求预测,该模型解决了水需求预测的非线性问题通过模拟生物神经元的结构特点和作用机理,并使用领域有限的数据来衡量,而不是大量的完整的统计数据来预测水需求通过使用数据驱动的方法。目前,相关学者对水资源需求预测进行了研究,取得了丰富的研究成果。

Donkor et al。8)总结了城市水需求预测和相关研究成果指出,科学有效的预测变量是成功地预测城市需水量的关键。他们还指出,软计算方法在短期内取得了有价值的研究成果预测的水需求。Piasecki et al。9)比较了安和多元线性回归(高)方法,和一个案例研究表明,ANN方法优于高。Zhang et al。10)使用每日用水量预测的主要影响因素作为输入和预测每日用水量降噪后作为输出。在这部作品中,多尺度混沌遗传算法,它的特点是一个强大的全局搜索能力和搜索速度快,是用来优化最小二乘支持向量机的参数。通过使用ANN方法,桑托斯和佩雷拉(11)预测城市需水量的圣保罗,巴西。研究表明,ANN模型可以准确的预测和大量的数据,这是表现最好的,一个小错误。此外,桑托斯考虑天气的影响变量对地区城市用水量。目前,人工智能的应用预测用水量预测方法主要包括以下两种观点:一个多参数预测模型和时间序列模型。葡萄牙饮用水需求的预测研究表明,基于历史数据的单变量时间序列模型是有用的,可以结合其他预测方法来减少错误12]。前面提到的研究表明软计算算法,如神经网络,可以更好地处理非线性问题在水资源需求管理。因此,影响因素之间的复杂非线性映射水资源需求和建设水资源需求可以通过人工神经网络识别。

目前,反向传播(BP)神经网络最常用的神经网络(13]。当应用于复杂系统分析,传统的BP神经网络可能包含以下的缺点。(1)传统的BP神经网络是一种优化的局部搜索方法,它可以很容易陷入局部极值。权重可以很容易收敛到局部最小值,从而导致网络训练的失败(14]。此外,BP神经网络对初始高度敏感网络权重。在网络初始化不同的权重时,它往往收敛于不同的局部最小值15]。(2)结构的BP神经网络只能选择经验,而且没有统一和完整的理论指导的选择BP神经网络结构。如果选择的网络结构太大,训练效率不会高,拟合现象可能发生(16),导致网络性能低,减少了容错。如果选择太小,网络可能不收敛17]。基于前面的分析,应加强传统的BP神经网络建立高精度模型。

类似于其他metaheuristic算法如遗传算法(GA)、粒子群优化(PSO)是一种以人群为基础的优化工具,搜索更新一代的最优解。算法没有进化等运营商交叉或变异。因此,算法的优点是它非常简单的概念,计算成本低,和一些参数需要调整18]。领域的井底压力预测,地面振动预测(19,沥青质沉淀预测(20.),算法已经应用于优化BP神经网络的初始权值和阈值,从而导致更高的精度。

另外,大多数现有的水资源需求预测相关研究成果已经针对大规模的地区,如城市(11- - - - - -14]。最好的作者的知识,研究水需求预测建设项目尚未报道。

因此,本文的用水量预测模型建设项目建立了基于灰色关联分析和BP神经网络算法改进。本文的主要贡献如下。(1)以前的相关研究主要集中在水需求预测的大规模区域,如城市。然而,目前的研究集中在水需求预测建设项目在施工阶段和提出了一个详细的施工案例分析的水在信阳Taiyangchen项目城市,河南省,中国。这为水资源管理在建筑工程提供了新的见解。(2)本文采用灰色关联分析方法来识别关键因素影响建筑工程的施工用水,降低BP模型的输入变量。通过设置阈值的灰色关联度,确定的关键因素,影响了水的消耗在Taiyangchen项目盘中的浇注混凝土,天气盘中,工人数量,盘中的木材使用。(3)针对BP神经网络模型的缺点,如收敛速度慢和容易陷入局部最优,算法,它的特点是收敛速度快和容易实现,采用优化BP神经网络的初始权值和阈值,有效地解决了这些问题。此外,误差分析的案例研究表明,BP神经网络的计算结果提高了算法实现精度高于经典的BP神经网络模型,BP神经网络提高了GA和多元回归。

本文的剩余章节安排如下。部分2介绍了材料和方法,基于灰色关联分析的基本因素识别方法和BP神经网络优化算法详细构造构建建设项目用水需求预测模型。部分3介绍了结果与讨论,使施工的详细案例分析河南省信阳市Taiyangchen项目的水,中国河南。三个机器学习中常见的错误分析工具是受雇于本节来比较不同模型的计算精度,和拓扑结构的影响BP网络模型的计算结果进行了讨论。部分4给出了结论,总结本文的研究成果,指出未来的研究方向。

2。材料和方法

2.1。基于灰色关联分析的关键因素的识别

灰色系统理论是一个系统的科学理论提出的邓巨龙教授,一位著名的中国学者。灰色关联分析是一种定量描述和比较的系统开发方法和不断变化的情况。它的基本概念是相当于判断因素密切相关的参考数据列的几何相似性和几个比较数据列,反映曲线之间的关联度。领域的风险评估和预测,关系分析可以确定各影响因素的权重通过比较每个索引系列的密实度与基准系列(21]。

灰色关联方法能够分析系统的发展趋势(22]。该方法可以提取的因素有很大的系统中影响系统指数较差和小样本的信息。灰色关联分析可以克服计算量太大的问题,样品不服从一定的概率分布,计算不同定量和定向的结果。

的步骤使用灰色关联分析发现的主要因素,影响建设项目的用水量转载如下。

步骤1。原始数据处理。
摘要区间值处理方法用于处理建设水的原始数据及其影响因素(23]。

步骤2。计算灰色关联系数。
关联的程度可以反映序列的形状,和水的灰色关联系数用于建筑工程施工 在哪里和最大和最小值在建设项目的用水量数据系列,分别和是一个解析函数,函数的改进相关系数之间的差异的重要性。一般来说,可以获得满意的解析结果值为0.5时(24]。此外,参考序列,是比较序列,是序列长度,参考序列之间的绝对差吗和点比较序列的 。

步骤3。计算关联度。
关联度计算公式如下(25]: 在哪里参考序列的长度,参考序列之间的关联系数吗和比较的价值序列 ,和 参考序列之间的关联程度吗在曲线和比较序列在曲线。

步骤4。等级的关联度分析。
每个因素的关联度排序根据数值和描述的相对变化参考序列和比较序列。一般来说,如果两个因素之间的关联度大,建设水的变化和影响因素基本上是相同的25,26]。

2.2。水需求的预测模型基于BP神经网络优化算法

2.2.1。引入BP神经网络

BP神经网络是一种人工神经网络模型与自学习和自适应能力两部分组成,即输入数据的正向传播和误差的反向传播价值。标准神经网络拓扑结构包括输入层节点,隐层节点,连接和输出层节点,节点在同一层不相互作用。在该算法中,样品 是作为神经网络的输入节点,和预期的结果吗 作为相应的输出节点。误差值可以通过将预测结果与实际结果进行比较,适应度函数是用来测量误差值是否一致。的计算结果不符合要求,该网络将使用梯度下降法进行误差反向传播权向量空间,而每个重量的修正量的隐藏层和输出层27方程所示(3)。通过反复迭代误差达到期望值,从而完成建立BP神经网络计算模型。 在哪里BP神经网络的误差值, , ,和输入层、隐层和输出层的神经网络,分别和分别重量和阈值的节点数量,神经网络的期望输出,是实际的输出,是一个节点,需要优化连接权重,然后呢是一个节点,需要优化的阈值。

2.2.2。优化算法的BP神经网络

算法进行首次提出的埃伯哈特和肯尼迪在1995年(28]。其基本概念起源于鸟类的觅食行为,研究PSO的灵感来源于这个生物群体行为来解决优化问题。在算法中,每个粒子代表一个问题的解决方案和对应于一个健身价值。粒子速度的距离和方向决定了粒子运动和动态调整的运动本身和其他粒子,从而实现个人在解决空间的优化过程。

采用PSO的过程中,能力之间的错误输出和预期的能力输出通过远期首先初始化BP神经网络的学习算法来确定个体极值和组极值,即。,发现BP神经网络的权值和阈值。更新的速度和位置,原来的个体极值和组极值计算后健康。最后,获得最优的神经网络权值和阈值被发送到验证的BP神经网络(29日]。

假设粒子群 是由粒子,粒子的尺寸通常是 。有群中粒子,每个粒子 - - - - - -维,群组成的粒子的搜索维度。每个粒子都是表示为 ,代表粒子的位置吗在 - - - - - -维搜索空间,也是一个潜在的解决问题的办法。根据目标函数,对应于每个粒子的健身价值的位置可以计算(30.]。对应于每个粒子的速度可以表示为 ,和每个粒子搜索时应该考虑两个因素:(1)历史最优值 , 。(2)最优值 , ,发现的所有粒子。值得注意的是,只有一个在这里。

在每次迭代中,粒子更新自己的速度和位置通过个体极值和全局极值,速度和位置的更新公式优化的算法如下(31日]: 在哪里惯性权重, ,我= 1,2,…n,是当前迭代数,粒子的速度,粒子权重系数,跟踪自己的历史最优值,代表粒子的认知和被称为加速度的因素,权重系数的最优值的粒子跟踪集团代表粒子对整个集团的认知知识和被称为加速因子,然后呢是一个均匀分布的随机数的间隔 。此外,应该对结果进行误差分析。

基于前面的分析,提出了该模型的计算流程图如图1。

它可以观察到在图1通过数据的分析,历史数据和几个因素影响最大的建筑工程建设的水需求输入到神经网络。在每一层的神经元后行为影响因素,它们生成输出。神经网络的权值和阈值进行优化算法,获得和健身价值来确定最好的个人健康。后以输出误差为目标函数和纠正错误,以满足需求,经过训练的神经网络可以预测。

3所示。结果与讨论

3.1。选择的影响因素

有许多因素影响用水量在建筑领域32),如工人的数量(R₁)[33),浇注混凝土的盘中量(R₂)[34),最高温度(R₃)[35),盘中的天气(R₄)[35),盘中的木材使用(R₅)[34,盘中钢铁使用量(R₆)[34]。

摘要Taiyangchen项目2019年5月和6月的数据收集以天为单位。用水Taiyangchen项目的数据处理通过灰色关联分析,得到相关系数和学位。通过比较大小的主要因素,影响了水的使用Taiyangchen项目确定然后作为输入层和输入到神经网络预测项目的用水。

在信阳的日常用水Taiyangchen项目城市,河南省,中国,是这项工作的研究对象。项目由九个住宅剪力墙结构,所有这些有18层楼地面和地下1层。每个建筑的高度是52.90米,总建筑面积每一个建筑是13449.68米²。

评价因素的量化是一个影响因素的选择和治疗的重要一步。工人的数量(R₁),盘中的浇注混凝土(R₂),最高温度(R₃),盘中使用的木材量(R₅),盘中的钢材量(R₆)都是由实际的现场调查和统计。盘中的天气的分数(R₄)分为四种情况,即阳光(0.9),多云(0.6),小雨(0.3),大雨(0)。并给出了每个因素的值在表1。由于布局的局限性,只有一些样品被发表在表1。

影响因素的相关系数的计算是通过方程(1)和(2),计算结果如表所示2。

从表可以看出2影响因素的关联度从最大到最小如下:盘中的浇注混凝土(R₂)>盘中的天气(R₄)>工人的数量(R₁)>盘中使用的木材量(R₅)>最高温度(R₃)>盘中钢铁使用量(R₆)。这个订单可以解释为建设工作的内容和特点。混凝土浇注是一个典型的湿操作,需要大量的水。天气是另一个重要因素,影响施工。下雨的时候,大多数的建筑工地的工作将停止,和施工用水将显著减少。更多的工人,更多的水将被用于建筑和生活。木材为建筑需要浇灌和湿,以确保其含水率接近最优,也需要大量的水(36]。

关联度小于0.6时,两个序列被认为是独立的,如果关联度大于0.8,这两个序列有很好的相关性。一个相关值在0.6和0.8之间是有益的35]。在表2,关联度大于0.8的因素包括盘中的浇注混凝土(R₂),盘中的天气(R₄),工人的数量(R₁),盘中使用的木材量(R₅因此,),这些都是关键的因素,影响建筑工程建设的用水量。

3.2。水需求预测的结果

在这部作品中,河南省信阳市Taiyangchen项目的施工用水,河南省,中国,作为研究对象,使用的数据来自监控数据的市政管网用水量Taiyangchen项目和现场施工日志。

评价因子量化后,其数值的差异维度降低算法的收敛速度和影响模型的准确性。因为所有中用指标基础的利益中去体现,数据归一化如下(37]: 在哪里表明评价指标标准化后的值,代表的最大价值指标 ,和代表指标的最小值 。

根据灰色关联分析,水需求的四个主要影响因素在建筑工程的建设时间间隔。输入节点的数量 ,和隐层节点的数量 ,所以BP神经网络的结构是4-9-1 (38),如图2。值得注意的是,不同的BP神经网络建立了拓扑在这个工作,和计算结果展示在表3。

的过程中使用BP神经网络模型的形成,可用的数据应该分为两组,分别代表训练集和测试集。训练集的数据用于训练,尽管数据的测试用于检查网络。许多研究人员选择在各自的数据比例的90%和10%,80%和20%,或70%和30%39]。在这项研究中,训练集的数据Taiyangchen项目从5月1日到6月20日,2018年,包括共有51天的数据。测试集的数据Taiyangchen项目于6月21日至6月30日,总共2018人,其中10天的数据。训练集的比例数据测试集数据因此83.61% - -16.39%。

达到一个更好的预测效果,BP神经网络的最佳参数和算法,包括:培训的迭代的数量是1000,学习速率为0.1,培训目标是0.001。计算参数(40PSO的包括1000次迭代,人口规模为50,当地学习的因素 ,和全球学习的因素 。迭代终止的最大误差为0.00001。

获得的收敛曲线计算后呈现在图3。在案例分析中,当迭代次数达到约500,需求得到满足。在这项研究中,人口数量和最大迭代次数设置为相对较大的值以确保模型计算更复杂的问题。图3显示了1000年以后的迭代收敛曲线。

算法的优化计算过程后,498层迭代和498之间的误差迭代大于最低可接受的精度(0.00001),而499层迭代和499迭代之间的误差小于0.00001。之后,计算结果的误差都小于0.00001。在第1000届迭代计算被捕与一个非常小的错误。这些研究结果表明,该算法找到最优500迭代神经网络权值和阈值,这两个图所示3和表4。此外,从图可以定性判断3,700年和800年之间的GA聚合。PSO收敛速度比GA。这是一个利用PSO与GA相比。

使用提出的计算模型的预测结果被发表在表5。此外,BP模型、多元回归和BP模型提高了GA也被用来预测结果。遗传算法的参数设置如下:人口规模是100,结束进化代数是1000,交叉概率为0.5,和变异概率为0.001。

此外,本文使用标准的计算方法在工程实践中,常用的和多元线性回归方法计算量用于建筑工地。

根据中国国家标准(建筑设计防火规范,GB 50016 - 2014),建筑工地用水量的计算过程如下:(1)现场操作的用水量: 在哪里(L / s)的用水量是建筑工地,意想不到的建设水消费系数,(L / s)是一年一度的工程数量,施工用水配额(L / m³),(天)是一年一度的有效工作日,(小时)、每天工作的数量变化是水消费的不平衡系数。根据现场调查,为1.10,是300年,8在这个项目。计算和被带入方程(6),0.52 L / s。(2)水工程机械: 在哪里是机械的用水量,意想不到的建设水消费系数,相同数量的机器,是工程机械台班的水配额,水不平衡系数的工程机械。根据现场调查,是 。根据施工现场统计,和被带入方程(8), 可以计算。(3)国内建筑工地的用水量: 在哪里是国内水消费的建筑工地,是国内水消费的建筑工地,水配额的建筑工地,施工现场的不平衡系数,每天是工作的数量变化。根据现场调查,是1.3,是1。与方程(8),是2.08 。(4)国内在生活区用水: 在哪里是国内水消费在生活领域,是居民在居住面积的数量,日常生活用水配额在生活区域,然后呢在生活用水的不平衡系数。场计算后,是150年,是2。把复杂的在方程(9),0.8 L / s。(5)总用水量 :

带 , , ,和在方程(10),是3.44 L / s。值得一提的是,在我们的计算没有考虑消防水因为火水只是用于火。

考虑到日常施工时间是8小时,用水量计算根据中国建筑法规是990.72米³。比较的数据表1和5中国建筑法规,用水量计算往往是小于实际的水需求。这种情况很容易导致水资源短缺和关闭在建筑工地,这是研究工作的一个重要的背景。此外,有限的时间和及时性的约束下的数据集合,它花了很长时间来调查十多个参数的值计算采用中国国家标准、计算效率低的缺点。

使用Excel 2016的回归分析功能软件,多元回归计算的表达式如下:

将测试集的数据带入方程(11),预测结果如表所示5。

3.3。计算结果的分析和讨论

进行了误差分析,验证该算法的准确性,并根据获得的相对误差值预测和实际值。公式如下: 在哪里相对误差,是预测值,是真正的价值。

根据方程(12),可以计算相对误差值的值出现在桌子上6。与实际用水量相比,该方法的计算误差小于5%,平均误差仅为2.47%。GA-BP模型的平均误差为4.06%,最大误差为8.36%。相比之下,BP模型的计算误差较大,最大误差为46.56%,平均误差为22.39%。结果的最大误差计算多元回归分析为75.47%,平均误差为41.61%。这证明该方法是有效的和先进的预测建设项目的水需求。

PSO-BP的四个计算结果最大的错误出现在最后的四倍。说,前六的预测非常准确,最后四个预测有很大的错误。

为了更好地比较这两种方法的预测结果和突出的优点提出PSO-BP神经网络模型中,三个机器学习中常见的错误分析工具用于比较几种算法。

决定系数( )表示程度的测量值和预测值之间的相关性。越接近1,相关性越高。相反,近了是0,降低相关。列在表3,值的BP模型,PSO-BP模型,GA-PSO模型和多元回归被发现是0.7921,0.9959,0.9853,和0.3767,分别,从而证明PSO-BP模型比BP模型,GA-BP模型和多元回归。均方根误差( )是一个重要的标准来衡量机器学习模型的预测结果。的PSO-BP模型为96.0900,明显低于BP模型,GA-BP模型和多元回归。平均绝对误差( )平均绝对误差,可以更好地反映实际情况的预报值的错误。的PSO-BP模型为15.7467,明显低于BP模型,GA-PSO和多元回归。计算错误的比较分析表明,PSO-BP模型取得了更好的预测精度和优化性能。这个优秀的计算结果也符合之前的基准测试结果(41]。

隐藏层的数量是另一个重要的因素影响BP神经网络的准确性(42]。因此,不同的网络模型的拓扑结构的影响的预测结果分析(38]。

指的经典研究成果在相关领域43),六种不同的网络模型的拓扑结构设计,和相关的计算结果如表所示7。

从表可以看出3PSO-BP神经网络模型的计算精度明显高于BP模型或GA-BP模型时采用网络模型拓扑结构相同。无论网络的拓扑结构模型,计算结果的平均误差的PSO-BP神经网络模型是非常小的。计算结果证明的有效性和进步PSO-BP神经网络模型在预测建设项目的水需求。此外,过度拟合或underfitting是一个定性的现象,发生在人工神经网络算法,并且没有工具来定量描述它们。指以前的细节研究[41,44),相信PSO-BP神经网络模型的预测精度高于BP神经网络模型的计算精度,也表明该模型可以减少过度拟合现象或underfitting。过度拟合或underfitting后,预测精度往往不足(45]。

关于PSO-BP神经网络模型,隐藏层的数目的增加,平均误差被认为是进一步降低。有两个隐藏层,4-9-5-1网络结构实现的模型计算精度最高。与一个隐藏层模型计算的准确性为2.47%,这是最低的PSO-BP神经网络模型,可以满足工程实践的需要46]。

本文讨论了输入变量的数量的影响计算结果。PSO-BP的计算模型,采用的分析和隐层的数量是1。平均误差和最大误差如表所示8。

有三个输入变量时,PSO-BP模型的计算误差明显比四个输入变量。当输入变量增加到5或6,计算精度没有明显改善。考虑到施工现场的可用性数据,现场调查时间显著增加如果有5或6输入变量。因此,可以认为,四个输入变量通过灰色关联分析在本文中是合理的。

4所示。结论

本研究的目的是使用BP神经网络精确地预测建设项目的用水量。首先,通过使用数据,发现有四个因素影响建筑工程的水消费,即盘中的浇注混凝土,天气盘中,工人数量,盘中的木材使用。之后,把这四个关键因素作为输入层,利用优化算法得到的神经网络权值和阈值,一个建筑用水量预测模型的基础上,建立了神经网络模型。最后,一个案例研究的建筑用水量Taiyangchen项目在信阳城市,河南省,中国,显示,与实际用水量相比,该方法计算的误差小于5%,平均误差仅为2.47%。此外,三种常见错误分析工具中使用机器学习(确定系数、根均方误差、平均绝对误差)都强调,该方法的计算精度明显高于BP算法,GA-BP和多元回归。有两个隐藏层在PSO-BP神经网络模型中,与4-9-5-1网络结构模型被发现计算精度最高。模型的计算精度与一个隐层的网络结构4-9-1为2.47%,可以满足工程实践的需要。本文提出的模型可以有效地预测建筑工程建设的用水量,并确定异常水及时合理调度供水,最终达到节约用水的目的。在未来的研究中,可以扩大样本集,可以提高模型的学习效果,和一个更完美的建筑用水量预测模型可以被训练。

数据可用性

案例分析的数据用于支持本研究的发现可以从相应的作者。

的利益冲突

作者宣称没有利益冲突有关的出版。

确认

本研究支持的科技项目武汉城乡建设局,中国(201943年)。

引用

1. js。周”,模拟在一个基于项目成本项目涉及建筑工程和管理”国际项目管理杂志》上卷,29号6,706 - 717年,2011页。视图:出版商的网站|谷歌学术搜索
2. Ghalehkhondabi, e . Ardjmand w·a .年轻et al。”水需求预测:回顾软计算方法,”环境监测和评估,卷189,不。7篇文章ID 313 2017。视图:出版商的网站|谷歌学术搜索
3. p . w . Jayawickrama和s . Rajagopalan“替代水源在土方工程施工,交通研究记录卷,2004年,第96 - 88页,2007年。视图:出版商的网站|谷歌学术搜索
4. f .他和t .道,“一个改进的关联耦合模型和多元线性回归对用水量预测,“波兰环境研究杂志》上,23卷,不。4、1165 - 1174年,2014页。视图:谷歌学术搜索
5. x张,m .曰,y姚明,h·李,“区域年度用水量预测模型,海水淡化和水处理卷。114年,51-60,2018页。视图:出版商的网站|谷歌学术搜索
6. 巴克,m . Auffhammer h . Soldati et al .,”加州住宅用水量预测:反思模型选择,”水资源研究卷,56号1,2020。视图:出版商的网站|谷歌学术搜索
7. 吴x, v . Kumar j . Ghosh et al .,“十大算法在数据挖掘中,”知识和信息系统,14卷,不。1,1-37,2008页。视图:出版商的网站|谷歌学术搜索
8. e·a·Donkor t . a . Mazzuchi r·索亚和j·艾伦·罗伯森“城市水需求预测:评估的方法和模型,”水资源规划与管理杂志》上,卷140,不。2、146 - 159年,2014页。视图:出版商的网站|谷歌学术搜索
9. a . Piasecki j . Jurasz, b . Kazmierczak”预测每日用水量:一个案例研究在城里,波兰,”Periodica Polytechnica-Civil工程,卷62,不。3、818 - 824年,2018页。视图:谷歌学术搜索
10. w·张,问:杨、m·库马尔和y毛”的应用改进的最小二乘支持向量机在日常用水量的预测,”无线个人通信,卷102,不。4、3589 - 3602年,2018页。视图:出版商的网站|谷歌学术搜索
11. c·c·桑托斯和a·j·佩雷拉“市区水资源需求预测模型的圣保罗,巴西,“水资源管理,28卷,不。13日,4401 - 4414年,2014页。视图:出版商的网站|谷歌学术搜索
12. a . Sardinha-Lourenco a . Andrade-Campos安图内斯,和m . s .奥利维拉,“水需求预测在短期内提高性能通过使用并行自适应加权策略,”《水文卷,558年,第404 - 392页,2018年。视图:出版商的网站|谷歌学术搜索
13. 中情局Basheer和m . Hajmeer人工神经网络:原理、计算、设计和应用,“《微生物方法,43卷,不。1,3-31,2000页。视图:出版商的网站|谷歌学术搜索
14. z赵、问:徐和m .贾”改善打乱青蛙跳算法BP神经网络及其应用在轴承早期故障诊断,”神经计算和应用,27卷,不。2、375 - 385年,2016页。视图:出版商的网站|谷歌学术搜索
15. 马z, x的歌,r .广域网l .高和d .江“人工神经网络建模的密集的水质方面对虾虾坦克,“水产养殖卷,433年,第312 - 307页,2014年。视图:出版商的网站|谷歌学术搜索
16. p .邦萨尔Gupta, s·库马尔et al .,“MLP-LOA: metaheuristic方法设计最优的多层感知器,”软计算,23卷,不。23日,第12345 - 12331页,2019年。视图:出版商的网站|谷歌学术搜索
17. s .杨朱x, l, l . Wang和x王,“西藏医学综合症的分类和预测基于改进的BP神经网络,”IEEE访问,8卷,第31125 - 31114页,2020年。视图:出版商的网站|谷歌学术搜索
18. Bui, d . t . n . d .黄平君t·d·范教授et al .,“一个新的智能方法基于gis技术基于多元自适应回归样条函数和metaheuristic优化预测山洪易感区域热带台风在高频区域,”《水文卷,575年,第326 - 314页,2019年。视图:出版商的网站|谷歌学术搜索
19. d . j . Armahani m . Hajihassani e·t·穆罕默德et al .,“Blasting-induced flyrock和地面振动预测通过一个基于粒子群优化的人工神经网络专家,”阿拉伯地球科学杂志》,7卷,不。12日,第5396 - 5383页,2014年。视图:出版商的网站|谷歌学术搜索
20. m·a·艾哈迈迪,s . r . Shadizadeh预测新方法的沥青质沉淀由于自然损耗,利用进化算法的概念,“燃料卷,102年,第723 - 716页,2012年。视图:出版商的网站|谷歌学术搜索
21. z藏、王y和z . x,“灰色关系系数,基于加权TOPSIS方法”灰色系统杂志,26卷,不。2、112 - 123年,2014页。视图:谷歌学术搜索
22. z . x王”,相关分析的区间灰数序列基于内核和灰色学位,”Kybernetes,42卷,不。1 - 2、309 - 317年,2013页。视图:出版商的网站|谷歌学术搜索
23. 刘邓g . j .秋g、k Lv,“环境压力水平基于物理模型的评估方法和区间灰色关联程度,“中国航空杂志,26卷,不。2、456 - 462年,2013页。视图:出版商的网站|谷歌学术搜索
24. n·m·谢和s . f .刘”研究的几个灰色关联评价模型适应灰色关联公理,”系统工程与电子技术》杂志上,20卷,不。2、304 - 309年,2009页。视图:谷歌学术搜索
25. b·朱l .元,你们美国,“检查multi-timescales欧洲碳市场与灰色关联分析和经验模态分解,“自然史答:统计力学及其应用卷,517年,第399 - 392页,2019年。视图:出版商的网站|谷歌学术搜索
26. k .张、陈y和l·f·吴“灰色频谱分析的空气质量指数在邯郸和住房的价格,“复杂性卷,2019篇文章ID 8710138, 2019。视图:出版商的网站|谷歌学术搜索
27. s·m·黄”,产能预测基于神经网络技术在油田的高效的经济和管理环境,”费森尤斯公司环境公报卷,29号4、2442 - 2449年,2020页。视图:谷歌学术搜索
28. c·a·c·Coello g . t . Pulido和m . s . Lechuga”与粒子群优化处理多个目标,”IEEE进化计算,8卷,不。3、256 - 279年,2004页。视图:出版商的网站|谷歌学术搜索
29. 曹c .侯,x, y,西莱和y曹,“预测同步关闭时间为永磁机构真空断路器基于PSO-BP,”IEEE电介质和电气绝缘,24卷,不。6,3321 - 3326年,2017页。视图:出版商的网站|谷歌学术搜索
30. y z h·詹j . Zhang et al .,“自适应粒子群优化IEEE系统和控制论B-Cybernetics一部分人,39卷,不。6,1362 - 1381年,2009页。视图:出版商的网站|谷歌学术搜索
31. f . vandenBergh和A . p . Engelbrecht”合作的粒子群优化方法,”IEEE进化计算,8卷,不。3、225 - 239年,2004页。视图:出版商的网站|谷歌学术搜索
32. a . Piasecki j . Jurasz, w . Marszelewski“多层感知器人工神经网络应用于中期用水量预测——一个案例研究中,“Ochrona Srodowiska,38卷,不。2,17-22,2016页。视图:谷歌学术搜索
33. m . e . Banihabib和p . Mousavi-Mirkalaei扩展的线性和非线性自回归模型预测的城市用水量在干旱地区快速增长的城市,”可持续城市和社会卷,48条ID 101585, 2019。视图:出版商的网站|谷歌学术搜索
34. 韩m . y . g .问:陈j .孟x d . Wu a . Alsaedi b·艾哈迈德,“虚拟水占建筑工程项目9个子项目:一个案例在亦庄,北京,“《清洁生产卷,112年,第4700 - 4691页,2016年。视图:出版商的网站|谷歌学术搜索
35. l . n .杨、李w z和x Liu”校园间隔需水量预测灰色遗传BP神经网络的基础上,“水资源与水工程学报,30卷,不。3、133 - 138年,2019页。视图:谷歌学术搜索
36. r·沃克·帕维亚,m·道尔顿”测量含水率的实心砖墙使用木材销,“材料和结构卷,49号7,2549 - 2561年,2016页。视图:出版商的网站|谷歌学术搜索
37. 李j·p·d . Liu, h . et al .,“时空变异分析区域洪水灾害恢复力能力使用一种改进的投影寻踪模型基于风动优化算法,”《清洁生产文章ID 118406卷,241年,2019年。视图:出版商的网站|谷歌学术搜索
38. m . w . Cheng周,你们j。j et al .,“PSO-BP建模研究费率测量施工项目安全施工成本,”中国安全科学杂志,26卷,不。5,146 - 151年,2016页。视图:谷歌学术搜索
39. b . g . Zhang艾迪Patuwo, m . y .胡”与人工神经网络预测,”国际期刊的预测,14卷,不。1、35 - 62年,1998页。视图:出版商的网站|谷歌学术搜索
40. i c . Trelea”:粒子群优化算法收敛性分析和参数选择,”信息处理信件,卷85,不。6,317 - 325年,2003页。视图:出版商的网站|谷歌学术搜索
41. 郑y·d·h·h . Li, c . et al .,“地下水位预测中国西北干旱绿洲的基于人工蜂群算法和bp神经网络与双隐藏层,”水,11卷,不。4、文章ID 860, 2019。视图:出版商的网站|谷歌学术搜索
42. a . Kaveh和h . Servati双层网格使用反向传播神经网络的设计,“计算机与结构,卷79,不。17日,第1568 - 1561页,2001年。视图:出版商的网站|谷歌学术搜索
43. k m . Neaupane和s h Achet”,利用反向传播神经网络对滑坡监测:一个案例研究在喜马拉雅越高,“工程地质,卷74,不。3 - 4、213 - 226年,2004页。视图:出版商的网站|谷歌学术搜索
44. 问:沈,W.-m。施,X.-p。杨,B.-x。你们“粒子群算法训练神经网络定量构效关系的研究对血小板源生长因子受体磷酸化抑制剂,”欧洲制药科学杂志》上,28卷,不。5,369 - 376年,2006页。视图:出版商的网站|谷歌学术搜索
45. x f .严“混合人工神经网络基于BP-PLSR软传感器及其应用的发展,“化学计量学和智能实验室系统,卷103,不。2、152 - 159年,2010页。视图:出版商的网站|谷歌学术搜索
46. 江f . y, y l .赵董美国et al .,“海底管道破坏的预测基于遗传算法,”交易海洋学与湖泊,3卷,52-59,2019页。视图:谷歌学术搜索

版权

版权©2020郝彭等。这是一个开放分布式下文章知识共享归属许可,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。