مدل‌سازی و پیش‌بینی کوتاه‌مدت تقاضای آب شهری

نوع مقاله: مقاله پژوهشی

نویسندگان

1 دانشیار گروه اقتصاد توسعه دانشکده مدیریت دانشگاه تربیت مدرس تهران

2 دانشجوی دکترای اقتصاد نظری دانشگاه تربیت مدرس

3 کارشناس ارشد اقتصاد انرژی دانشگاه صنعت آب و برق

10.22096/esp.2011.26218

چکیده

آب به عنوان یکی از مهم‌ترین منابع تأمین نیاز بشر در زندگی روزمره نقش حیاتی ایفا می‌کند. لذا آگاهی از میزان تقاضای مورد نیاز آب جهت اعمال سیاست‌گذاری‌های لازم در راستای مدیریت تقاضا، از اهمیت ویژه‌ای برخوردار می‌باشد. در این مقاله، تقاضای روزانه آب شهر تهران برای یک دوره هفت ساله با استفاده از روش‌های غیرخطی شبکه‌ عصبی مصنوعی و فرایند خطی ARMA مدل‌سازی گردید و در ادامه تقاضای روزانه آب شهری برای ده روز آینده پیش‌بینی گردید. در طراحی شبکه‌عصبی مصنوعی، عوامل مؤثر بر تقاضای روزانه آب شهری، دمای هوا(حداقل، حداکثر و متوسط)، روزهای هفته، ایام تعطیلات و روزهای خاص در نظر گرفته شد. نتایج حاصل از بکارگیری معیارهای ارزیابی دقت پیش‌بینی، نشان می‌دهد که شبکه‌ عصبی مصنوعی در پیش‌بینی تقاضای روزانه آب شهر تهران نسبت به مدل ARMA از قدرت بالاتری برخوردار می‌باشد.

کلیدواژه‌ها


عنوان مقاله [English]

Modeling and Forecasting of Urban Water Short-run Demand

نویسندگان [English]

  • hosein Sadeghi Soghdel 1
  • Mahdi Zolfaghari 2
  • Rahman Aram 3
1 development economics department management and economics faculty Tarbiat Modares university Tehran
چکیده [English]

Water is one of the most importance sources for provision of the human needs that plays a vital role in current life. Therefore awareness about water demand is important for necessary policy making for demand management. In this paper we modeled Tehran water daily demand by nonlinear Artificial Neural Network and linear process of ARMA for a 7 years period and forecasted the urban water daily demand for 10 days. The effective factors on urban water daily demand in designing of neural network are temperature (minimum, average, maximum), week days, holidays and special days. Results present that artificial neural network have higher power than ARMA in forecasting the Tehran city water daily demand on the basis of indicators of forecast accuracy valuation.

کلیدواژه‌ها [English]

  • Demand Water
  • Forecasting
  • Artificial neural networks
  • ARMA

الف- فارسی

  1. ابریشمی، حمید؛ مهرآرا، محسن؛ اقتصاد‌سنجی کاربردی، انتشارات دانشگاه تهران، 1381.
  2. اصغری اسکویی، محمد‌رضا؛ «کاربرد شبکه‌های عصبی در پیش‌بینی سری‌های زمانی»، فصل‌نامه پژوهش‌های ‌اقتصادی ایران، 1381، شماره 12.
  3. پور کاظمی، محمد حسین؛ نهاوندی، افسر، امیر و بیژن؛ «مطالعه تطبیقی روش‌های خطی ARIMA و غیرخطی شبکه‌های عصبی در پیش‌بینی تقاضای اشتراک گاز شهری»، مجله تحقیقات اقتصادی، 1384، شماره 71.
  4. تابش، مسعود؛ گوشه، سیامک؛ یزدان‌پناه، محمد جواد؛ «پیش‌بینی تقاضای کوتاه‌مدت شهر تهران با استفاده از شبکه‌های عصبی مصنوعی»، نشریه دانشکده فنی، جلد 41، 1385، شماره 1.
  5. شرزه‌ای، غلامعلی؛ احراری، مهدی؛ فخرائی، حسن؛ «پیش‌بینی تقاضای آب شهر تهران با استفاده از الگوی ساختاری، سری‌های زمانی و شبکه عصبی نوع GMDH»، مجله تحقیقات اقتصادی، 1387، شماره 84.
  6. گوشه، سیامک؛ تخمین تقاضای کوتاه‌مدت آب شهری با استفاده از شبکه‌های عصبی مصنوعی، پایان‌نامه کارشناسی ارشد، دانشکده فنی، دانشگاه تهران، 1382.

ب- لاتین

  1. Bithas Kostas, "Stoforos Chrysostomos, Estimating urban Residential water Demand Determinants and Forecasting Water Demand For Athens Metropolitan Area", 2000-2010, South-Eastern Europe Journal of Economics, Vol. 1, 2006.
  2. Jain, Ashu et al; "Short-term Water demand Forecast Modelling at IIT Kanpur Using Artificial Neural Networks", Water Resources Management, 2001, No. 15.
  3. K.B. Khatri; K. Vairavamoorthy; "Water Demand Forecasting for the City of the Future against the Uncertainties and the Global Change Pressures: Case of Birmingham", EWRI/ASCE: 2009, Conference: Kansas, USA May, 2009.
  4. Liu, J; Savenije, H.G & Xu, J;"Forecast of Water Demand in Weinan City in China Using WDF-ANN Model", Physics and Chemistry of the Earth, Vol. 28, 2002.
  5. Maidment, D. R. & Parzen, E; "Cascade model of monthly municipal water use" J. of Water Resources Research, Vol. 20, 1984, No. 1.
  6. Maidment, D. R; Miaou, S. P & Crawford, M. M; "Transfer function models of daily urban water use", J. of Water Resources Research, Vol. 21, 1985, No. 4.
  7. Ravindra Sen Pillay; Short-Term Water Demand Forecasting for Production Optimisation, University of Southern Queensland Faculty of Engineering and Surveying, 2005.
  8. Stark, H.L; Stanley, J.S; Buchanan, I.D; Water Demand Forecasting Using Artificial Neural Networks, University of Alberta, 2000.
  9. Yu, M.J; Joo, C.N; Koo, J.Y; "Application of Short-Term Water Demand Prediction Model to Seoul", Journal of Water Science & Technology, Vol. 46, 2002, No. 6-7.