ارائه مدلی برای پیش‌بینی میزان مصرف آب ماهانه برای مشترکین خانگی

مقدمه: مدیریت هوشمند منابع آب بهترین راهکار برای معضل کمبود آب در سرتاسر جهان است. پیش‌بینی میزان مصرف یک پیش‌نیاز اصلی برای اطلاع از میزان آب مورد نیاز در آینده است. انواع مختلفی از ویژگی‌ها، از سابقه مصرف تا پارامترهای هواشناسی را می‌توان برای پیش‌بینی آب مصرفی بکار گرفت. در این مقاله، به معرفی یک مدل پیش‌بینی برای میزان مصرف آب مشترکین شهری در شهر یزد خواهیم پرداخت.روش : چارچوب پیش‌بینی پیشنهادی از رکوردهای سامانه قبوض مصرف در شهر یزد برای استخراج سوابق مصرف مشترکین بهره می‌گیرد. به علاوه، منابع اطلاعاتی دیگری مانند تقویم کاری، میزان آب تولیدی (ورودی به شبکه شهری)، پارامترهای هواشناسی، ارزش مالی املاک مشترکین، و میزان فشار جریان آب ورودی به ملک مشترکین در پیش‌بینی مورد استفاده قرار می‌گیرند. این چهارچوب تغییرات در الگوی رفتار مصرف مشترکین را تعقیب می‌کند و آنها را گروه‌بندی می‌نماید تا بتواند مواردی را که رفتار غیرمتعارف دارند از میان آنها حذف کند. گروه‌های پاک شده (بدون موارد با مصرف نامتعارف) با استفاده از یک روش تخمین مبتنی بر چندک با سه خط برش مورد تحلیل قرار گرفته و براساس آنها میزان مصرف مشترکین در ماه آتی محاسبه می‌شود.یافته ها: نتایج آزمایشات نشان می‌دهند که مدل پیشنهادی با خطای کمتر از 10% می‌تواند میزان مصرف آتی را پیش‌بینی کند. به علاوه، این روش قادر است مشترکین با الگوی مصرف نامتعارف را نیز شناسایی کند.نتیجه گیری: از میان روش‌های مورد بررسی، روش‌هایی توانسته‌اند با کمترین خطا میزان مصرف را پیش‌بینی کنند که به موارد غیرمتعارف مقاوم بوده‌اند. براساس بررسی‌های صورت گرفته این موارد ریشه در جابحایی ساکنین منازل دارند و بعد از جایگزینی یک مشترک کم‌مصرف/پرمصرف با یک مشترک پرمصرف/کم‌مصرف بروز می‌کنند. با الهام از این حقیقت و حذف اولین ماه‌های تغییر الگوی مصرف از دادگان و آموزش مدل یادگیری با باقیمانده موارد، می‌توان یک الگوریتم پیش‌بینی با دقت بالا داشت که در اکثر موارد خطای بسیار کمی داشته باشد.

A Water Consumption Prediction Model for Municipal Consumers

Smart water resource management is the best shorttime solution for water resource shortage aroundthe world. Predicting water demand is the major prerequisite to be aware of the required water within ashort time. The proposed prediction framework uses the billing records of water consumers in Yazd cityto extract consumption history. In addition, external data resources such as business calendar data, urbanwater production, meteorological parameters, the financial value of buildings, and instream pressureare collected and employed in the prediction model. The proposed framework tracks the changes inconsumption behaviors of consumers, which are grouped according to their volume of water usage toremove consumers with anomalous consumption behaviors. The cleaned grouped records ofconsumption are utilized in the fitting of a quantile regressor with three breakpoints to forecast the waterdemand of the consumers for the next month. Results of the experiments showed that the proposedmodel’s prediction percentage error is less than 10%. Besides, the model is able to recognize consumerswith anomalous consumption behaviors.