1. 研究目的与意义（文献综述）

中国被联合国列为13个人均水资源最贫乏的国家之一，人多水少、水资源时空分布极不均匀，水资源短缺已成为中国经济社会可持续发展面临的重大挑战之一。随着社会经济的快速发展和城市化水平的进一步提高，人们的用水需求也大为增加，水资源短缺已经严重制约了某些地区的经济发展，影响了居民的生活水平。对区域水资源进行规划时，用水量的预测是其中的一个重要内容，其结果直接影响到水资源决策的可靠性以及宏观经济规划的合理性，对地区水资源的可持续利用和城市可持续发展都有重要作用。为缓解水资源供需矛盾、保障水资源可持续开发利用，中国早在1983年就引入了水资源配置概念，对有限的水资源进行分配，开展需求调控。20世纪90年代开始，中国实施用水定额政策，对城市生活、农业生产、工业生产制定了用水定额。到 2015 年，共有 29 个省、自治区、直辖市出台了用水定额标准。2012年，中国开始实行严格用水总量的控制制度，而加快制定高耗水工业和服务业用水定额国家标准则是这项制度的重点之一。2015年，中国已成为世界最大的国内和出境旅游消费国。旅游业对GDP的综合贡献占全国GDP总量的10.8%。旅游直接和间接就业7911万人，占全国就业总人口的10.2%①。考虑到旅游业在推动中国经济发展，特别是在增加就业、缓解贫困中发挥了越来越重要的作用，中国将旅游业作为国民经济的战略性支柱产业和现代服务业进行重点发展。旅游业发展需要消耗大量的水资源。随着中国旅游业重要性的提升，其水资源消耗研究的重要性将愈加凸显。但中国现在还没有旅游业用水定额标准，这会导致无法实施旅游业水资源利用总量的控制。在此背景下，提出全面测算旅游业水资源使用量的方法，不仅可为中国设定旅游业用水定额提供数据支撑，还可为全面认识旅游业水资源使用、促进旅游业水资源可持续利用提供科学依据。目前常用的用水量预测方法有灰色预测法、神经网络法、回归预测法以及支持向量机法等。常用的定量预测又可以分为两类:回归分析方法和时间序列分析方法。回归分析方法是通过回归分析,寻找预测对象与影响因素之间的因果关系,建立回归模型。旅游用水量变化存在大量不确定性因素,要找出系统内部的变化机理及各因素之间相互影响的明确关系是比较困难的,这使得回归预测法在用水量预测中的应用受到限制。传统的时间序列分析方法,只能依赖于历史观测数据，求出与其对应的单一结果。对于不易建立精确数学模型具有多种不确定性和非线性的系统,应用人工神经网络方法往往可以处理传统方法难以解决的问题。

2. 研究的基本内容与方案

本文将通过神经网络并结合遗传算法对数据模型进行建模预测，实现旅游产业水量预测平台的搭建，实现实时的用水量查询及预测功能

人工神经网络是基于神经科学的研究成果并高度综合了计算机科学和数学等众多学科发展起来的新兴边缘学科。预测是人工神经网络应用领域中的一个重要分支,人工神经网络已经成功应用于经济预测、电力负荷预测和灾变预测等众多领域并在短期和中长期用水量预测中都取得了较好的研究成果。

遗传算法是受生物进化论启发，通过模拟自然界遗传进化机理得到的一个能并行随机搜索的优化算法，该算法把自然生物界“适者生存，优胜劣汰”的进化思想运用到优化参数构成的编码串联群体中，以选取的适应度函数为依据并经过遗传过程中的选择、交叉和变异等操作对不同个体进行筛选，进而保存适应度高的个体，淘汰掉适应度低的个体，使得新的群体在继承了上一代知识的同时能优于上一代的结果，以此方法不断循环，直至达到结束条件，算法结束并退出。遗传算法能进行全局优化，并且能在不依赖具体问题的情况下直接搜索，仅需给出目标函数的描述，从一组随机产生的称为“种群”的初始解开始，从全局空间中出发，搜索问题的最优解。遗传算法优化神经网络的基本思想：改变bＰ网络单纯利用误差反向传播来修正网络权值和阈值的方法，利用遗传算法全局性搜索的特点，寻找最为合适的初始网络连接权和网络结构。将 ＧＡ 和 ＢＰ算 法 结 合 起 来，形 成 ＧＡ－ＢＰ混合训练算法，以 ＧＡ 优化ＢＰ网络的初始值和阈值，再由ＢＰ算法按负梯度方向修正网络权值及阈值，进行网络训练。

3. 研究计划与安排

4. 参考文献（12篇以上）

[1]王文瀚 滨海旅游区域给水量的预测方法[A] 中国市政工程 第 4期 2018 年 8 月

[2]宋 帆1，杨晓华1，武翡翡1，孙波扬1，耿雷华2 灰色关联—集对聚类预测模型在吉林省
用水量预测中的应用[A] 水资源与水工程学报 第29卷 第3期 2018年 6 月

[3]严 旭 李思源 张 征 基于遗传算法的ＢＰ神经网络在城市用水量预测中的应用 计算机科学 第43卷 第１1Ａ 期 2016年11月
[4]刘 俊1，黄 莉1，吴俐君1，李云云2,3，林 楚1，朱江欢1 青城后山遗产地乡村旅游直接和虚拟用水量研究 第 33 卷 2018 年 第 9 期 2018.09.015

[5]]曲悦,钱旭,宋洪庆,何杰,李剑辉,修昊.基于机器学习的北京市PM2.5浓度预测模型及模拟分析[J/OL].工程科学学报:1-9[2019-03-14].https://doi.org/10.13374/j.issn2095-9389.2019.03.014.