روش برنامه‏‏‌نویسی ژنتیک (gp) در پیش‌‏بینی میزان مصرف آب شهری (مطالعه موردی: شهر نجف آباد)

ارتقا سطح کیفی زندگی ساکنین شهرها به بهره‌مندی از زیرساخت شهری با کیفیت بالا، به‏ منظور برآورده کردن نیازهای روزانه وابسته است. شبکه آبرسانی شهری یکی از اساسی‌ترین زیرساخت‌‏های شهری است که طراحی و سرویس‌‏دهی مطلوب آن در طول دوره طرح ضروری است. ازاین ‏رو تعیین میزان واقعی مصرف و پیش‌‏بینی آن در آینده اهیمت دارد. به‏ این ‏منظور در این تحقیق، از یک روش بر مبنای هوش مصنوعی، روش برنامه‌‏نویسی ژنتیک (gp) و همچنین روش داده‏‌کاوی ضریب هم‏بستگی پیرسون استفاده شده است. روش‌‏های داده‏‌کاوی بر روی بانک داده شامل داده‏‌های روزانه دما، بارش، رطوبت و مقدار آب تولیدی روزانه برای شهر نجف‌آباد در اصفهان از ابتدای سال 1394 تا انتهای سال 1398اعمال و بهترین ترکیب از داده‌‏های ورودی انتخاب شده است. داده‏‌های منتخب به ‏عنوان بردارهای ورودی برای مدل‏‌های پیشنهادی بر مبنای روش gp اعمال و مقدار آب تولیدی روزانه (نشان‏‌دهنده آب مصرفی کل)شهر نجف آباد پیش‌بینی شده است. نتایج به ‏دست آمده با نتایج مدل‏‌هایی بر مبنای شبکه عصبی مصنوعی (ann) مقایسه شده است. برای بررسی عملکرد مدل‏‏‌ها، شاخص‌‏های آماری r²، rmse و nse محاسبه شده است. مقایسه نتایج نشان‌‏دهنده عملکرد قابل قبول مدل‏‌های پیشنهادی بر مبنای gp می‏‌باشد. به ‏عبارت ‏دیگر، مقدار شاخص‌های آماری rmse و nse و r² و mape برای داده‌‏های آموزش در بهترین مدل gp به‌ترتیب برابر با mcm 3262/59  و 0/80 و 0/80 و 5/38 درصد و برای داده‏‌های آزمایش به ترتیب برابر با 3507/68 mcm و  78/78 و 0/0 و 6/67 درصد می‏‌باشد.

genetic programming method in urban water consumption prediction (case study: najafabad city)

improving the lifestyle of city residents is conditional on benefiting from high-quality urban infrastructure to satisfy daily demands. the urban water supply network is one of the most basic urban infrastructures, and its optimal design and service are essential during the planning period. therefore, it is important to determine the actual amount of consumption and predict it for the future. for this purpose, in this research, a method based on artificial intelligence, i.e., genetic programming (gp), as well as pearson’s correlation coefficient data mining method, is proposed. the data mining method is applied here for the database, including daily data on temperature, precipitation, humidity, and the amount of daily water produced in najafabad city (presenting the total water consumption) from the beginning of 2014 to the end of 2018, and the best set of input data vectors is selected. the selected data are used as input data vectors for the proposed. the obtained results are compared with the results of models based on artificial neural network (ann). to investigate the performance of the models, r², rmse, and nse statistical indices are calculated. a comparison of the results indicates the acceptable performance of the proposed models based on the gp. in other words, the values of rmse, nse, r², and mape statistical indices for training data in the best gp model are equal to 3262.59 mcm, 0.80, 0.80, and 5.38%, respectively, and for test data equal to 3507.68 mcm, 0.78, 0.78, and 6.67%.