نوع مقاله : مقاله پژوهشی

نویسندگان

• عبدالرحمن آرام ¹
• لطفعلی عاقلی کهنه شهری ²

¹ کارشناس ارشد دانشگاه صنعت آب و برق شهید عباسپور

² استادیار دانشگاه تربیت مدرس تهران

چکیده

آب به عنوان یکی از مهمترین نیازهای بشر، در زندگی روزمره دارای نقش حیاتی است. آگاهی از میزان تقاضای مورد نیاز آب برای سیاست­گذاری مدیریت تقاضا، از اهمیت ویژه‌ای برخوردار است. در این مطالعه مدلی ترکیبی (تلفیقی از مدل_­های خطی و غیر­خطی) منطبق با شرایط و ساختار اقلیمی شهر تهران و متغیرهای موثر بر مصرف آب برای پیش بینی تقاضای کوتاه_­مدت آب شهری طراحی شده است. با کمک این مدل، تقاضای روزانه آب شهری برای 10 روز بعد بر اساس مدل‌های ARIMA، شبکه عصبی و مدل تلفیقی تبدیل موجک، پیش‌بینی شده است. سپس مقادیر پیش‌بینی شده هر یک از مدل‌­ها، توسط معیار ارزیابی MAPE و R² در پیش‌بینی گام‌به‌گام و مجموع 10 روز مورد ارزیابی قرار گرفته است. در نهایت برای تقاضای روزانه آب شهر تهران، مدل تلفیقی تبدیل موجک با خطای کم (دقت پیش‌بینی بالا) به عنوان مدل بهینه انتخاب شده است.

طبقه بندی JEL: 
C45 ،C53 ،D12 ،Q25

کلیدواژه‌ها

• پیش‌بینی
• تقاضا
• آب شهری
• تبدیل موجک
• شبکه های عصبی

عنوان مقاله [English]

A Hybrid Model for Forecasting Daily Urban Water Demand

نویسندگان [English]

• Abdol-Rahman Aram ¹
• Lotfali Agheli ²

¹

²

چکیده [English]

Water as one of the most important human needs plays a vital role in everyday life. Therefore, awareness of the required amount of water demand is of particular importance to policy-making in line with demand management. In this study, a hybrid model (a combination of linear and non-linear models) has been designed to predict short-term urban water demand which mathces with the climatic conditions and structure of Tehran and variables affecting the water consumption. With using the model, daily urban water demand for the next 10 days was predicted based by ARIMA, Artificial Neural Netwoks (ANN) and Wavelet Transform hybrid models. Then the forecasted values of mentioned models were evaluated by MAPE and R² criteria in step-by-step and full 10 days predictions.  Finally, wavelet transform hybrid model with low error (high prediction accuracy) was selected as an optimal model for predicting daily water demand of Tehran.
 
JEL classification:C45, C53, D12, Q25

کلیدواژه‌ها [English]

• Forecasting
• ِdemand
• urban water
• Wavelet Transform
• Artificial Neural Networks