1.一种基于灰色关联分析下的遗传算法优化反向传播神经网络需水预测方法，首先利用灰色关联分析方法对原始数据进行处理，找出校园用水的主要因素；然后选用BP神经网络作为预测算法，采用遗传算法对BP神经网络进行优化，得到状态最优的BP神经网络进行预测，其特征在于：通过输出的点的预测值和实际值的残差来寻找最优的预测区间上下界，进行区间需水预测，预测用水量在未来时段的波动范围，所述寻找最优的预测区间上下界包括：(1)点预测值和实际数值进行残差计算；

(2)用模糊算法将样本输入聚类，样本根据残差的大小来排序；

(3)计算聚类的预测区间；

(4)计算样本的预测区间；

(5)计算预测区间的上下界。

2.根据权利要求1的方法，所述对原始数据进行处理包括将所有数据都用数值表示，采用区间值化的处理方法对所有原始数据进行等效性、同序性处理，将原始数据变换到[0,1]的范围内，得到新的序列，将其中一个序列作为参考序列，其他的序列作为比较序列。

3.根据权利要求2的方法，进一步地，进行灰色关联系数及关联度求解，求出各个因素对应的比较序列与参考序列的关联度，进行关联度排序，找出影响校园用水的主要因素。

4.根据权利要求3的方法，采用遗传算法对BP神经网络的连接权值和各层阈值进行优化选择，具体步骤如下：(1)确定BP神经网络三层结构，确定BP神经网络权、阈值的长度；

(2)确定遗传算法的编码方式及长度，进行种群初始化；采用实数进行编码，每个实数串都包含了网络的权值和阈值；

(3)用适应度函数来进行评测，得出适应度函数值最高的个体在群体中保留下来；

(4)交叉和变异操作完成，新一代种群由此生成；

(5)把适应度最高的个体解码，得到相应的网络连接权值和隐含点个数。

5.根据权利要求4的方法，用BP神经网络中的输出误差定义适应度函数：其中，ω表示神经网络的输入层，θ表示神经网络的输出层，γ表示神经网络的隐含层，N1表示需要优化的连接权值节点数，M表示需要优化的阈值节点数，yt(s)表示神经网络的预测输出， 表示神经网络的实际输出， 表示节点输出的误差，t是需要优化连接权值的一个节点，s是需要优化阈值的一个节点。

6.根据权利要求5的方法，所述计算聚类的预测区间包括：第x个(即每一天的同一个时间点)聚类上区间值为e满足

第x个(即每一天的同一个时间点)聚类下区间值为e满足

其中ax是顺序排好以后样本的残差值，wx,y是经过模糊算法得到的第y个样本对第x个聚类的隶属度样，f是总样本数，τ本申请取值10。

7.根据权利要求6的方法，所述计算样本的预测区间包括：上区间

下区间

其中o为聚类数量。

8.根据权利要求7的方法，所述计算预测区间的上下界为在点的预测值基础上加上预测区间值：Ty＝Ey+Ry

其中Ry表示输出的点的预测值，Ey表示预测区间，包括预测上区间和预测下区间。