校园用水数据,既有趋势性又有季节性。为了准确地对智能水表收集的用水数据进行异常点分析,从而检测预估管网漏损问题,研究对用水数据进行了相关检验,并选择了合适的自回归差分移动平均模型(Autoregressive Integrated Moving Average Model,ARIMA)模型。基于Chen-Liu迭代算法,研究利用R软件进行编程,成功识别了用水数据中的异常点位置、类型、异常效应的大小,以及调整后的时间序列等,由此预估管网漏损可能出现的日期和位置。研究发现,基于ARIMA时间序列模型对用水数据进行异常点的检测较为准确,且输出的异常点类型可以区分异常点是人为因素造成还是由管网漏损问题造成,进而预估管网漏损问题,这为供水行业漏损管理模式提供了一种新的方向。
本文建立成本与收益、容积率和增值税的计算模型,对本文的3个方案进行核算,为满足参筹者的购买意愿,根据满意度达到最大建立目标函数,满意度=所有房型满意套数/所有房型套数根据规划模型,设计方案2,计算方案2的投资回报率β2=PC?100%=19.24%<25%,不满足成功执行的条件。最后优化模型,对方案2的规划模型的目标函数,加入税前利润最大,max z_2=sum x_iS_iB_i from i=1 to 11-1.1(sum (x_iS_iC_li+h) from i=1 to 11-0.0565sum x_iS_iB_i from i=1 to 11)建立双目标规划模型,设计方案3,使得投资回报率达到25%以上。
