Vorhersage des Wasserbedarfs mit Hilfe von Modellen künstlicher neuronaler Netze und statistischen Modellen

Die Vorhersage des zukünftigen Wasserbedarfs wird Wasserverteilungsunternehmen und der Regierung helfen, den Verteilungsprozess von Wasser zu planen, was Auswirkungen auf die Planung der nachhaltigen Entwicklung hat. In diesem Papier verwenden wir lineare und nichtlineare Modelle zur Vorhersage des Wasserbedarfs. Zu diesem Zweck werden wir verschiedene Arten von künstlichen neuronalen Netzen (ANNs) mit unterschiedlichen Lernansätzen verwenden, um den Wasserbedarf vorherzusagen, im Vergleich zu einer bekannten Art von statistischen Methoden. Der Datensatz basiert auf Sätzen gesammelter Daten (aus den Datenbanken der Gemeinden extrahiert) über einen bestimmten Zeitraum, und daher schlagen wir ein nichtlineares Modell zur Vorhersage des monatlichen Wasserbedarfs vor und stellen schließlich das genaueste Vorhersagemodell im Vergleich zu anderen linearen und nichtlinearen Methoden zur Verfügung. Die angewandten Modelle sind in der Lage, eine genaue Vorhersage für den zukünftigen Wasserbedarf in der Stadt Jenin im Norden Palästinas zu treffen. Diese Vorhersage erfolgt mit einem Zeitrahmen von einem Monat, basierend auf den extrahierten Daten, die verwendet werden, um das neuronale Netzwerkmodell zu speisen, um Mechanismen und Systeme zu implementieren, die zur Vorhersage des kurzfristigen Wasserbedarfs eingesetzt werden können. Zwei angewandte Modelle künstlicher neuronaler Netze werden verwendet: Multilayer Perceptron NNs (MLPNNs) und Radial Basis Function NNs (RBFNNs) mit unterschiedlichen Lern- und Optimierungsalgorithmen, Levenberg-Marquardt (LM) und genetischen Algorithmen (GAs), und eine Art von linearem statistischen Verfahren, das als autoregressive integrierte gleitende Durchschnitte (ARIMA) bezeichnet wird, wird auf die Wasserbedarfsdaten, die aus der Stadt Jenin gesammelt wurden, angewandt, um den zukünftigen Wasserbedarf vorherzusagen. Die Ausführungsergebnisse zeigen, dass der Typ MLPNNs-LM die Modelle RBFNN-GAs und ARIMA in der Vorhersage der Wasserbedarfswerte übertrifft.