پیش‌بینی بلندمدت مصرف آب شهری با استفاده از شبکه بیزین (مطالعه موردی: شهرستان نیشابور)

با توجه به مشکل کمبود آب در کشور، پیش‎بینی بلندمدت مصرف آب شهری می‌تواند به عنوان یک راه‌حل موثر برای سیاست‌گذاری‌های مدیریت تقاضا و آب‌رسانی در شبکه توزیع‌ آب شهری اتخاذ شود. برای تحقق این امر لزوم تدوین مدلی که بتواند با دقت بالا، پیچیدگی و تاثیر عوامل مختلف بر میزان مصرف آب و عدم قطعیت هریک از این عوامل را نشان دهد، محسوس است. گسترش عدم قطعیت در طول بازه پیش‌بینی سبب شده است که علاوه بر روش‌های قطعی، روش‌های احتمالاتی از جمله شبکه بیزین (bayesian network) نیز مورد بررسی قرار گیرد. شبکه‌های بیزین با توجه به ساختار احتمالاتی، سهولت در نظر گرفتن عدم قطعیت در پیش‌بینی و نیز لحاظ نمودن روابط علّی، برای پیش‌بینی مصرف آب شهری بسیار مطلوب است. در این مقاله با استفاده از شبکه‎ بیزین، دو مدل برای پیش‎بینی بلندمدت مصرف آب شهرستان نیشابور ارائه شده است. همچنین کارایی مد‌ل‌های بیزین مزبور در مقایسه با تابع استون گری و حساسیت مدل‌های ارائه‌شده نسبت به ساختار شبکه‌ای و دسته‌بندی داده‌ها مورد ارزیابی قرار گرفته است. نتایج بررسی‌های صورت گرفته نشان می‌دهد مدل‌های پیشنهادی توانایی پیش‌بینی بلندمدت مصرف آب با دقت بالا را دارند. مقایسه انجام‌شده میان شبکه‌های بیزین و تابع استون-گری (stone-geary function) نشان‌دهنده بالاتر بودن دقت شبکه بیزین به میزان 50 درصد نسبت به تابع استونگری است، به‌طوری‌که درصد میانگین خطای مطلق برای مدل بیزین برابر با 0.05 و برای مدل استون - گری برابر با 0.1 به‌دست‌آمده است. همچنین تابع استون- گری حداکثر مقادیر پیش‌بینی‌شده برای مصرف سرانه آب را کمتر از مدل بیزین و حداقل مصرف را نیز بیشتر از مدل بیزین پیش‌بینی می‌کند.

long-term prediction of domestic water demand using bayesian belief networks

according to the water scarcity in recent decades in iran, longterm prediction of domestic water consumption is a beneficial approach in order to manage water demand and water supply in water distribution systems. therefore, it is necessary to develop a model which is capable of demonstrating the complexity, uncertainties, and influences of various parameters on water consumption with high accuracy.  the increment of uncertainties in the forecasting period leads to apply probability methods such as bayesian belief networks in addition to deterministic methods. this paper presents two bayesian networks to predict longterm water demand in neyshabour city. furthermore, the efficiency of those models is compared to the stonegeary function; moreover, their sensitivity to the network structure and data categories is evaluated.