城市用水的短期预测是城市供水优化调度的依据,用水量预测的方法和效果直接影响到供水优化调度的实施和效益。目前,国内外用于城市用水量短期预测方法多为回归分析法和时间序列分析法。近年来也出现了一些有关神经网络方法用于用水量预测的报道。但在这些预测方法,普遍存在包含大量难以确定的模糊参数、计算比较复杂费时、需要历史数据较多、预测精度较差等问题。本文中对城市用水量短期预测方法进行了系统地研究,提出了新的城市日用水量预测和时用水量预测模型。本文分别采用BP网络、RBF(径向基函数)网络算法、SVM(支持向量机)回归法求解城市用水量预测模型,并比较了各种方法的特点。首先,本文针对城市用水量的特点,建立了日用水量时用水量和其相关因素之间的预测模型,并分别采用BP网络算法、径向基函数网络算法与支持向量机回归法,求解预测模型。RBF网络具有结构自适应确定,输出不依赖初始权值的优良特性; SVM法采用结构风险最小化原则(SRM),以统计学习理论作为理论基础,运算速度快,泛化能力强,预测精度高。通过分析验证的结果,证明了本文提出的城市日用水量预测模型可行,采用BP、RBF和SVM法求解方法均能得到满意的效果。最后,从组合优化的角度出发,又分别提出了基于BP、RBF和SVM法的线性和非线性组合预测方法。