Wykorzystanie wielowarstwowych sztucznych sieci neuronowych do średnioterminowego prognozowania poboru wody – studium przypadku

• Autorzy: Piasecki A. , Jurasz J. , Marszelewski W.

Warianty tytułu

EN

Application of multilayer perceptron artificial neural networks to mid-term water consumption forecasting – a case study

• Języki publikacji: PL

Abstrakty

PL

Do prognozowania miesięcznego poboru wody w wybranym mieście o średniej wielkości wykorzystano wielowarstwowe sztuczne sieci neuronowe. Badaniem objęto jedno z osiedli w Toruniu – Czerniewice, które ma własny system wodociągowym (inny niż pozostała część miasta). Początkowo w analizie uwzględniono dziewięć zmiennych objaśniających, opisujących warunki meteorologiczne, ekonomiczne i społeczne. W trakcie prognozowania okazało się, że wykorzystanie wszystkich zgromadzonych zmiennych wejściowych korelujących z poborem wody nie dało prognoz najlepszych jakościowo. Najlepszy wynik w tym zakresie (oceniony na podstawie wartości błędu typu MAPE) uzyskano w przypadku modelu zbudowanego na podstawie takich zmiennych, jak liczba osób korzystających z wodociągu, cena wody, maksymalna temperatura i wilgotność powietrza oraz średni dochód na jednego mieszkańca. Wykazano, że zakres zmiennych uwzględnianych w prognozowaniu poboru wody za pomocą sieci neuronowych wymaga dostosowania do warunków lokalnych. W rozpatrywanym przypadku sztuczne sieci neuronowe potwierdziły swą użyteczność w zakresie średnioterminowego prognozowania poboru wody.

EN

Multilayer perceptron (MLP) artificial neural networks were employed to monthly water consumption forecasting. Research encompassed Czerniewice, one of the estates in Torun with a dedicated waterworks system (different from the other part of the town). Initially, nine exogenous variables describing meteorological, economic and social conditions were examined. The forecasting process revealed that implementation of all input variables correlating with water consumption did not lead to the highest quality forecasts. In terms of quality, the best result (evaluated based on MAPE criterion) was achieved for a model built on variables such as number of residents with access to waterworks, water rate, maximum temperature and humidity, and average income per inhabitant. It was demonstrated that the selection of input variables used for water consumption forecasting should be adjusted to local conditions. In the example considered, artificial neural networks proved useful in mid-term water consumption forecasting.

Słowa kluczowe

PL

sieć wodociągowa; pobór wody; prognozowanie; sztuczne sieci neuronowe; zmienna objaśniająca

EN

water supply system; water consumption; forecasting; artificial neural networks; exogenous variable

• Wydawca: Polskie Zrzeszenie Inżynierów i Techników Sanitarnych, Oddział Dolnośląski
• Czasopismo: Ochrona Środowiska
• Rocznik: 2016
• Tom: Vol. 38, nr 2
• Strony: 17--22
• Opis fizyczny: Bibliogr. 20 poz., tab., wykr.

Twórcy

autor

Piasecki A.

• Uniwersytet Mikołaja Kopernika w Toruniu, Wydział Nauk o Ziemi, ul. Lwowska 1, 87-100 Toruń

autor

Jurasz J.

• Uniwersytet Mikołaja Kopernika w Toruniu, Wydział Nauk o Ziemi, ul. Lwowska 1, 87-100 Toruń

autor

Marszelewski W.

• Uniwersytet Mikołaja Kopernika w Toruniu, Wydział Nauk o Ziemi, ul. Lwowska 1, 87-100 Toruń

Bibliografia

• 1. J. ŁOMOTOWSKI, Z. SIWOŃ: Metodyka analizy danych pochodzących z monitoringu systemów wodociągowo-kanalizacyjnych. Gaz, Woda i Technika Sanitarna 2010, nr 3, ss. 16–20.
• 2. Z. SIWOŃ, W. CIEŻAK, J. CIEŻAK: Modele neuronowe szeregów czasowych godzinowego poboru wody w osiedlach mieszkaniowych (Neural network models of hourly water demand time series in housing areas). Ochrona Środowiska 2011, vol. 33, nr 2, ss. 23–26.
• 3. J. ZHANG, R. SONG, N. BHASKAR, M. FRENCH: Short-term water demand forecasting: A case study. Proc. of 8th Annual Water Distribution Systems Analysis Symposium, ASCE Library, Cincinnati 2008, pp. 1–14.
• 4. A. JAIN, A.K. VARSHNEY, U.C. JOSHI: Short term water demand forecast modeling at IIT Kanpur using artificial neural networks. Water Resources Management 2001, Vol. 15, No. 5, pp. 299–321.
• 5. J.F. ADAMOWSKI: Peak daily water demand forecasting modeling using artificial neural networks. Journal of Water Resources Planning and Management 2008, Vol. 134, No. 2, pp. 119–128.
• 6. J. BOUGADIS, K. ADAMOWSKI, R. DIDUCH: Short term municipal water demand forecasting. Hydrological Processes 2005, Vol. 19, No. 1, pp. 137–148.
• 7. L.S. ILIADIS, F. MARIS: An artificial neural network model for mountainous water resources management: The case of Cyprus mountain watersheds. Environmental Modeling & Software 2007, Vol. 22, No. 7, pp. 1066–1072.
• 8. J. LIU, H.H.G. SAVENIJE, J. XU: Forecast of water demand in Weinan city in China using WDF-ANN model. Physics and Chemistry of the Earth 2003, Vol. 28, pp. 219–224.
• 9. A. PIASECKI, W. MARSZELEWSKI: Krótkookresowa dynamika zmian wody wtłaczanej do miejskiego systemu wodociągowego na przykładzie Torunia – analiza wstępna. W: T. CIUPA, R. SULIGOWSKI [red.]: Woda w mieście. UJK w Kielcach, Kielce 2014, t. 2, ss. 205–213.
• 10. G.J. BOWDEN, G.C. DANDY, H.R. MAIER: Input determination for neural network models in water resources applications. Part 1 – background and methodology. Journal of Hydrology 2005, Vol. 301, No. 1–4, pp. 75–92.
• 11. M.S. BABEL, V.R. SHINDE: Indentifying prominent explanatory variables for water demand prediction using artificial neural networks: A case study of Bangkok. Water Resources Management 2011, Vol. 25, No. 6, pp. 1653–1676.
• 12. F. MOSTELLER: A k-sample slippage test for an extreme population. In: Selected Papers of Frederick Mosteller, Springer, New York 2006, pp. 101–109.
• 13. T. KAVZOGLU: Determining optimum structure for artificial neural networks. Proc. of the 25th Annual Technical Conference and Exhibition of the Remote Sensing Society, Cardiff (UK) 1999, pp. 675–682.
• 14. K.G. SHEELA, S.N. DEEPA: Review on methods to fix number of hidden neurons in neural networks. Mathematical Problems in Engineering 2013, pp. 1–11.
• 15. K. SHIBATA, Y. IKEDA: Effect of number of hidden neurons on learning in large-scale layered neural networks. Proc. of the ICROS-SICE International Joint Conference, 2009, pp. 5008–5013.
• 16. H. HOTLOŚ: Badania zmian poboru wody w wybranych miastach Polski w latach 1990–2008 (Variations in water consumption observed in some municipalities in the time span of 1990 to 2008). Ochrona Środowiska 2010, vol. 32, nr 3, ss. 39–42.
• 17. J.E. NASH, J.V. SUTCLIFFE: River flow forecasting through conceptual models part I – A discussion of principles. Journal of Hydrology 1970, Vol. 10, No. 3, pp. 282–290.
• 18. J.F. ADAMOWSKI: Peak daily water demand forecast modeling using artificial neural networks. Journal of Water Resources Planning and Management 2008, Vol. 134, No. 2, pp. 119–128.
• 19. H. HOTLOŚ: Analiza wpływu czynników meteorologicznych na zmienność poboru wody w miejskim systemie wodociągowym (Analysis of influence of meteorological factors on water uptake variations in municipal water supply system). Ochrona Środowiska 2013, vol. 35, nr 2, ss. 57–62.
• 20. S. GATO: Forecasting urban residential water demand. Doctoral dissertation, RMIT University, Melbourne 2006.