李万庆，王 静，孟文清

(1.河北工程大学 经管学院，河北邯郸056038;2.河北工程大学土木学院，河北邯郸056038)

随着我国城镇化的推进，居民对生活条件的要求不断提升，从而导致水资源的消耗量越来越大，特别是北方的大中型城市，因此，对城市生活需水量进行科学合理的分析预测，不但可以满足居民对水资源的需求，而且可以保证供水系统的正常运行。综合国内外研究现状，我们发现传统的预测模型中存在忽视影响需水量测算因素之间的动态关系，或样本数据量不足等诸多缺陷。例如，常淑玲等［1］通过指数模型和移动平均数法来构建城市需水量综合动态模型，这种方法忽略了需水量各个影响因素之间的动态相互制约关系。张雅君等［2］选用多元线性回归分析法，对影响北京城市生活需水量的因素进行探讨，但该方法受到了显著性检验的制约，选定的自变量只有在通过显著性检验的前提下才能建立回归方程，计算量较大。随着科学和计算机技术的不断发展，新的人工智能方法，如BP神经网络算法，在需水量预测领域得到了广泛的应用［3－5］。但该算法容易陷入局部极小值，收敛性差，给实际应用带来了一定的限制。

针对传统预测方法在需水量预测方面存在的不足，本文尝试将NPSO算法引入到GRNN神经网络中，建立NPSO－GRNN神经网络预测模型，希望能为未来城市生活需水量规划提供参考依据。

1 需水量预测模型

1.1 GRNN 模型

GRNN作为径向基神经网络的一个分支，在1991 年，由美国学者 Donald F.Specht提出［6－7］。……