| از مصرف گذشته تا پیش بینی آینده: پیش بینی اختصاصی مصرف آب هر مشترک با استفاده از هوش مصنوعی |
| کد مقاله : 1502-IWWA |
| نویسندگان |
|
قاسم امینی * کارمند شرکت اب و فاضلاب استان قم |
| چکیده مقاله |
| پیش‌بینی دقیق مصرف آب مشترکان می‌تواند نقش مهمی در کاهش هزینه‌های قرائت کنتور، برنامه‌ریزی منابع و شناسایی مشترکان نیازمند کنترل میدانی داشته باشد. در این پژوهش، عملکرد روش‌های آماری، یادگیری ماشین و یادگیری عمیق برای پیش‌بینی مصرف آب مشترکان خانگی مقایسه شده است. داده‌های مورد استفاده شامل 42 دوره مصرف متعلق به 26,350 مشترک در سال‌های 1396 تا 1402 است. در طراحی پیش‌بینی، 24 دوره گذشته به‌عنوان ورودی و شش دوره دوماهه آینده به‌عنوان افق پیش‌بینی در نظر گرفته شد. برای مقایسه، هفت رویکرد شامل میانگین متحرک شش‌دوره‌ای در چارچوب مدل residual-log، ARIMA(1,0,0)، XGBoost، LSTM، N-BEATS، TCN و Residual TCN بررسی شدند. نتایج نشان داد که مدل Residual Log Mean6 با MAE برابر 245/9، RMSE برابر 58/18 و R² برابر 92/0بهترین عملکرد کلی را از نظر معیارهای خطای مطلق و مربعی به دست آورد. Residual TCN با MAE برابر 27/9 عملکردی بسیار نزدیک به مدل پیشنهادی داشت و در معیارهای خطای نسبی نیز عملکرد مطلوبی نشان داد. LSTM نیز با RMSE برابر 62/18 و R² برابر 92/0 تقریباً هم‌سطح مدل ساده پیشنهادی بود. در مقابل، TCN معمولی ضعیف‌ترین عملکرد را نشان داد. نتایج بیانگر آن است که افزایش پیچیدگی مدل الزاماً به افزایش دقت پیش‌بینی منجر نمی‌شود و در داده‌های مورد مطالعه، یک روش ساده مبتنی بر الگوی مصرف گذشته می‌تواند عملکردی هم‌تراز یا بهتر از مدل‌های پیچیده یادگیری عمیق داشته باشد. از منظر کاربردی، این یافته می‌تواند مبنایی برای توسعه یک سامانه کم‌هزینه و قابل‌پیاده‌سازی برای پیش‌بینی مصرف و کاهش نیاز به قرائت حضوری کنتور باشد. |
| کلیدواژه ها |
| : پیش‌بینی مصرف آب، مصرف مشترکان، سری زمانی، یادگیری ماشین، یادگیری عمیق، LSTM، TCN، ARIMA، XGBoost، |
| وضعیت: پذیرفته شده برای ارسال فایل های ارائه پوستر |
