پیش بینی کوتاه مدت تقاضای آب مصرف کننده با استفاده از تکنیک های یادگیری ماشین

امروزه تعداد زیادی از شرکت های آب هنوز کار خود را بر اساس تقاضای لحظه ای شبکه آب مدیریت می کنند، به این معنی که استفاده از تجهیزات، وابسته به نیازهای ضروری و لحظه ای می باشد. مخازن آب شبکه ها با استفاده از پمپ هایی که وقتی سطح آب به مقداری مشخص می رسد شروع به کار میکنند و در هنگام رسیدن به حداکثر سطح ، متوقف می شوند. تغییر رویکرد مدیریت آب بر اساس پیش بینی تقاضای آینده امکان استفاده از تجهیزات را با انرژی ارزانتر و بهره گیری از تعرفه برق را فراهم می کند ، بنابراین موجب صرفه جویی مالی قابل توجهی در طول زمان می شود.پیش بینی کوتاه مدت تقاضای آب گامی اساسی برای حمایت از تصمیم گیری در مورد مدیریت عملکرد تجهیزات است. برای این منظور ،از متدولوژی هایی که پیش بینی کننده و تحلیلی و کاربردی هستند استفاده شد. چندین روش یادگیری ماشین ، مانند شبکه های عصبی، درخت های تصادفی ، ماشین های بردار پشتیبانی و نزدیکترین همسایه، با استفاده از ارزیابی داده های واقعی از خدمات آب ، انجام شد علاوه بر این ، تاثیر عواملی مانند آب و هوا ، فصول ، میزان استفاده از داده های آموزشی و بازه پیش بینی نیز مورد بررسی قرار گرفت. نتایج بدست آمده با arima و همچنین با استفاده از معیارهای موجود، اعتبار سنجی و مقایسه شده است. نتایج حاکی از این است که در بین الگوریتم های انتخابی شبکه ی عصبی برای آب و هوای مختلف و فصول مختلف برای شش ماه آینده دقت پیش بینی بالاتری داشت و با دقت 92% با واقعیت ارتباط مستقیمی داشت.