پیش بینی تقاضای روزانه آب شهری براساس تقویم شمسی با استفاده از یادگیری ماشین و یادگیری عمیق (مطالعه موردی: نجف آباد)

در روش پیشنهادی از یکی از روشهای یادگیری ماشین به نام جنگل تصادفی (RF) و دو الگوریتم روشهای یادگیری عمیق به نام شبکه عصبی واحد بازگشتی گیتی (GRU) و شبکه عصبی حافظه کوتاه مدت طولانی (LSTM) استفاده شده است تا میزان تقاضای آب روزانه شهری تخمین زده شود. بدین منظور از داده های تاریخی تقاضای آب روزانه سالهای شمسی ۱۴۰۰ تا ۱۴۰۲ در شبکه توزیع آب شهری نجف آباد، اصفهان استفاده شده است. نوآوری روش پیشنهادی در آن است که برای آموزش شبکه های عصبی تنها از ویژگی های معمول اقلیمی مانند حداکثر دمای روزانه استفاده نشده است، بلکه با پیشنهاد ویژگی های روز در هفته، سال و تداوم تعطیلی برای داده های تاریخی ورودی شبکه های عصبی، دقت نتایج پیش بینی به طور قابل ملاحظه ای افزایش یافته است. این ویژگی ها به دلیل آنکه منعکس کننده تقاضای آب مشترکین در روزها و مناسبات مختلف تقویم شمسی می باشد، بنابراین به نوعی تاثیر مناسبات و اتفاقات اجتماعی و فرهنگی در میزان تقاضای آب روزانه شهری در نظر گرفته شده است. مقایسه نتایج نشان داد با اعمال ویژگی های پیشنهادی، مقدار معیارهای آماری R و PCC به ترتیب تا ۱۶ و ۷/۶% افزایش و مقدار معیارهای خطای MSE، MAE، MAPE و RMSE به ترتیب تا ۵۱.۸%، ۵۳.۲%، ۷۲.۱% و ۵۰.۴% کاهش یافتند.

کلیدواژه ها:

تقاضای آب روزانه ، یادگیری ماشین ، یادگیری عمیق ، تقویم هجری شمسی ، نجف آباد