مدلسازی و مقایسه شبکه‌های عصبی مصنوعی GMDH و RBF در پیش‌بینی تقاضای کوتاه‌مدت آب شرب شهر زاهدان

نوع مقاله: مقاله پژوهشی

نویسندگان

1 استادیار اقتصاد کشاورزی، دانشگاه دریانوردی چابهار

2 استادیار گروه اقتصاد کشاورزی، دانشگاه سیستان و بلوچستان

10.22125/iwe.2020.107107

چکیده

آب بخش شهری زاهدان از طریق انتقال آب از مخازن چاه نیمه سیستان تأمین شده که خود دچار بحران شدید آبی است. از اینرو پیش­بینی تقاضای آب شرب این شهر، کمک مؤثری به مدیران و بهره­برداران سیستم آب شهری خواهد نمود، تا بتوانند نسبت به مدیریت صحیح مصرف اقدام نمایند. لذا در این مقاله از شبکه­های عصبی مصنوعی GMDH و RBF که از ابزارهای قدرتمند برای تجزیه و تحلیل و مدل­سازی روابط غیرخطی به حساب می آیند، برای برآورد تقاضای ماهانه آب شهری زاهدان در سال 1396 استفاده شد. پارامترهای موثر انتخاب شده، شامل میانگین دمای ماهانه، درصد رطوبت نسبی، متوسط میزان بارندگی، ساعات آفتابی و مصرف ماه قبل می­باشند. نتایج بدست آمده و مقایسه شاخص هایMSE  و MAE نشان می­دهد با توجه به بررسی هفت ساختار مختلف با تعداد متفاوت نرون و لایه های نهان، شبکه عصبی GMDH با  سه لایه نهان که دارای یک نرون در لایه اول، سه نرون در لایه نهان دوم و سه نرون در لایه نهان سوم می باشد، بهترین نتیجه را برای پیش بینی تقاضای کوتاه مدت آب شرب نشان داد. با مقایسه توابع فعالیت خطی و غیر خطی مشخص شد که در لایه خروجی مدل های عصبی GMDH و RBF، توابع غیر خطی عملکرد بهتری نسبت به توابع خطی از خود نشان می دهند. همچنین در بین مدلهای GMDH نیز مدلهای با خروجی غیرخطی نسبت به مدل های با خروجی خطی مناسب تر می باشند. همچنین نتایج حاکی از آن بود که بزرگتر کردن ساختار شبکه، تاثیر چندانی بر بهبود نتایج ندارند.  

کلیدواژه‌ها


عنوان مقاله [English]

Modeling and Comparing GMDH and RBF Artificial Neural Networks in Forecasting Short-Term Demand for Drinking Water in Zahedan

نویسندگان [English]

  • Mojtaba Abbasian 1
  • Ali Sardar Shahraki 2
1 Assistant Professor of Economics, Maritime and Marine Science University of Chabahar
2 Assistant Professor of Agricultural Economics, University of Sistan and Baluchestan
چکیده [English]

The water requirement of the urban district of Zahedan City in Iran is met by the transfer of water from Sistan Chah-Nimeh reservoirs that are themselves suffering from severe water crisis. So, the prediction of the urban demand for drinking water can greatly help managers and users of urban water systems to use sound management practices. The present paper uses the artificial neural networks of GMDH and RBF, as two vigorous tools for the analysis and modeling of nonlinear relationship, to estimate monthly demand for drinking water in Zahedan in 2017. The selected parameters include mean monthly temperature, relative humidity percentage, mean precipitation, sunny hours, and previous-month consumption rate. The results of comparing MSE and MAE indicators show that after studying different structures with various number of neurons and hidden layers, the GMDH neural network with three hidden layers that has one neuron in layer 1, three neurons in hidden layer 2, and three neurons in hidden layer 3 yields the best results for the predication of short-term demand for drinking water. The comparison of linear and nonlinear activity functions reveals that in output layer of GMDH and RBF neural models, the nonlinear functions outperform linear functions. As well, among the GMDH model, the models with nonlinear output show better performance than those with linear output. Also, it is shown that the expansion of the network structure cannot improve the results considerably.

کلیدواژه‌ها [English]

  • Short-Term Forecast
  • Water Demand
  • Artificial Neural Network
  • RBF
  • GMDH
 

Al-Zahrani, M., Abo- Monasar, A., 2015, "Urban Residential Water Demand Prediction Based on Artificial Neural Networks and Time Series Models", Water Resources Management, 29(10): 3651-3662.

Gagliardi, F., Alvisi, S., Kapelan, Z., Franchini, M., 2017, "A Probabilistic Short-Term Water Demand Forecasting Model Based on the Markov Chain", Water, 9(7): 1-15.

Khatri, K.B., Vairavamoorthy, K., 2009, "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.

Kostas, B., Chrysostomos, S., 2006, "Estimating urban Residential Water Demand Determinants and Forecasting Water Demand for Athens Metropolitan Area, 2000-2010", South-Eastern Europe Journal of Economics, 4(1): 47-51.

Liu, J., Mingqi, C., 2010, "Application of the Grey Theory and the Neural Network in Water Demand Forecast", Sixth International Conference on Natural Computation (ICNC).

Mousavi, S.N., Kavousi, M., 2016, "Application of neural network methods and time series models in predicting drinking water consumption, Case study of Rasht city", Journal of Water and Sewage, 27(4): 84-89. (In Persian)

Perea,R,G., ,E.M., Montesinos,P., Díaz,J,A,R.,2018,” Optimisation of water demand forecasting by artificial intelligence with short data sets”, Biosystems Engineering,April,168:141-152.

Ramezani Chermahineh, A., Zounemat Kermani, M., 2017, "Investigating the Efficiency of Support Vector Regression Methods, Multilevel Perceptron Neural Network and Multivariate Linear Regression in Determining Groundwater Levels (Case Study: Shahrekord Plain)", Watershed Management Research, 8(15): 1-12.(In Persian)

Sadeghi, H., Zolfaghri, M., Aram, R., 2012, Modeling and Urgent Forecasting Urban Water demand, Economic Policies (Neme Mofid), 7: 159-172. (In Persian)

Sardar Shahraki, A., 2017, "Optimal allocation of water sources in the Hirmand watershed using game theory and evaluation of management scenarios", Ph.D. in Agricultural Economics, Sistan and Baluchestan University, Zahedan, Iran. (In Persian)

Sharzei, G.A., Ahrari, M., Fakhrai, H., 2008, "Prediction of water demand in Tehran using structural models, time series and GMDH neural network", Economic research, 43: 151-175.

Tabesh, M., Dini, M., 2011, "Prediction of daily urban water demand using artificial neural networks, Case study: Tehran", Journal of Water and Sewage, 21(1), 84-95.

Tabesh, M., Dini, M., Khoshakhlagh, A.J., Zahraie, B., 2009, "Estimation of daily water consumption in Tehran using time series", Iranian Water Resources Researches Journal, 4: 57-65. (In Persian)

Tabesh, M., Ghosheh, S., Yazdan Panah, M.J., 2008, "The short-term demand for water in Tehran using artificial neural networks", Journal of Faculty of Engineering, 41(1): 11-24. (In Persian).