پيش‌بيني بلندمدت مصرف آب شهري با استفاده از شبكه بيزين (مطالعه موردي: شهرستان نيشابور)

Long-Term Prediction of Domestic Water Demand Using Bayesian Belief Networks

با توجه به مشكل كمبود آب در كشور، پيشبيني بلندمدت مصرف آب شهري مي‌تواند به عنوان يك راه‌حل مؤثر براي سياست‌گذاري‌هاي مديريت تقاضا و آب‌رساني در شبكه توزيع‌ آب شهري اتخاذ شود. براي تحقق اين امر لزوم تدوين مدلي كه بتواند با دقت بالا، پيچيدگي و تأثير عوامل مختلف بر ميزان مصرف آب و عدم قطعيت هريك از اين عوامل را نشان دهد، محسوس است. گسترش عدم قطعيت در طول بازه پيش‌بيني سبب شده است كه علاوه بر روش‌هاي قطعي، روش‌هاي احتمالاتي از جمله شبكه بيزين (Bayesian Network) نيز مورد بررسي قرار گيرد. شبكه‌هاي بيزين با توجه به ساختار احتمالاتي، سهولت در نظر گرفتن عدم قطعيت در پيش‌بيني و نيز لحاظ نمودن روابط علّي، براي پيش‌بيني مصرف آب شهري بسيار مطلوب است. در اين مقاله با استفاده از شبكه بيزين، دو مدل براي پيش بيني بلندمدت مصرف آب شهرستان نيشابور ارائه شده است. همچنين كارايي مد‌ل‌هاي بيزين مزبور در مقايسه با تابع استون- گري و حساسيت مدل‌هاي ارائه‌شده نسبت به ساختار شبكه‌اي و دسته‌بندي داده‌ها مورد ارزيابي قرار گرفته است. نتايج بررسي‌هاي صورت گرفته نشان مي‌دهد مدل‌هاي پيشنهادي توانايي پيش‌بيني بلندمدت مصرف آب با دقت بالا را دارند. مقايسه انجام‌شده ميان شبكه‌هاي بيزين و تابع استون-گري (Stone-Geary function) نشان‌دهنده بالاتر بودن دقت شبكه بيزين به­ ميزان 50 درصد نسبت به تابع استون-گري است، به‌طوري‌كه درصد ميانگين خطاي مطلق براي مدل بيزين برابر با 0/05 و براي مدل استون- گري برابر با 0/1 به‌دست‌آمده است. همچنين تابع استون- گري حداكثر مقادير پيش‌بيني‌شده براي مصرف سرانه آب را كم­تر از مدل بيزين و حداقل مصرف را نيز بيشتر از مدل بيزين پيش‌بيني مي‌كند.

According to the water scarcity in recent decades in Iran, long-term prediction of domestic water consumption is a beneficial approach in order to manage water demand and water supply in water distribution systems. Therefore, it is necessary to develop a model which is capable of demonstrating the complexity, uncertainties, and influences of various parameters on water consumption with high accuracy. The increment of uncertainties in the forecasting period leads to apply probability methods such as Bayesian belief networks in addition to deterministic methods. This paper presents two Bayesian networks to predict long-term water demand in Neyshabour city. Furthermore, the efficiency of those models is compared to the Stone-Geary function; moreover, their sensitivity to the network structure and data categories is evaluated.