Yapay sinir ağları yöntemiyle Diyarbakır ili kent merkezi içme suyu talep tahmini uygulaması

Abstract

Yaşadığımız çağda artan dünya nüfusu, su kaynaklarının kirletilmesi, küresel ısınma vb. birçok nedenden dolayı yerleşim merkezlerinde sıklıkla su sıkıntısı görülmeye başlamıştır. Böylelikle suyun ekonomik ve verimli tüketimi oldukça önemli bir hale gelmiştir. Bunun için de su talebinin bilinmesi ve yönetilebilir duruma getirilmesi gerekmektedir. Bu çalışmada, Yapay Sinir Ağları (YSA) yöntemiyle Diyarbakır ili kent merkezi içme suyu tüketimine dair 2014 yılı için dokuz aylık talep tahmini yapılmıştır. Çalışmada, öncelikle Diyarbakır ilinin su talebi (tüketimi) ve talebi etkileyen unsurlarla ilgili veriler toplanarak analiz edilmiş, ardından bu etkenlere göre YSA modeli oluşturulmuş ve modelin eğitimi ve testi yapılmıştır. Sonrasında, model ile aylık dilimler bazında dokuz aylık talep tahmini ve bu tahminlerin performans testleri yapılmıştır. Son olarak ise YSA ile zaman serisine dayalı yöntemlerden elde edilen tahminler karşılaştırılmıştır. YSA yöntemiyle talep tahmini çalışması sonucunda, Diyarbakır ilinde su talebi üzerinde %34,5 ile su fiyatının, %24,7 ile abone başına düşen fatura miktarının, %16,7 ile nüfus artışının, %18,9 ile sıcaklığın, %3,9 ile nemin ve %1,3 ile yağış miktarı etkili olduğu elde edilmiştir. YSA tahmin modelinin performansı ise, verimlilik katsayısı %92,4 korelasyon katsayısı %96,1 ve determinasyon katsayısı %92,4 olarak ölçülmüştür. Ayrıca, modelin ürettiği tahminler ile gerçek değerler karşılaştırıldığında MSE, RMSE ve MAPE değerlerinin oldukça düşük olduğu ve dolayısıyla elde edilen modelin çok küçük oranda hatalı sonuçlar ürettiği, tahmin tutarlılığının ve isabet gücünün oldukça yüksek olduğu sonucuna varılmıştır. Çalışma sonunda, YSA ile zaman serisine dayalı yöntemlerden Winters Üstel Düzeltme ve ARIMA'dan elde edilen tahminlerin performansı karşılaştırılmış, YSA'nın tüm performans ölçütlerinde en iyi sonuçları ürettiği görülmüştür.Anahtar Sözcükler:Talep Tahmini, Yapay Sinir Ağları, Su Talebi, Su Planlaması

In our era, water shortage in settlements has begun to happen more frequently due to many reasons; like increase in world population, pollution of water resources, global warming and so on. Therefore, economical and efficient consumption of water has become a very important issue. For this reason, water demand has to be known and needs to be brought into a manageable situation. In this study, we made a demand forecast on the consumption of drinking water in Diyarbakır City centre for the first nine months of 2014 by using Artificial Neural Networks (ANN) method. In the study, we began with the collection and analysis of data on Diyarbakir city's water demand (consumption) and on factors affecting it. After that, the ANN model was created basing on these factors and, training and testing on model were carried out. Then, by using the model, demand forecast for nine months in monthly intervals and performance tests of these forecasts have been made in succession. Finally, the estimates that were obtained from the methods relying on time series have been compared with those we obtained from ANN method.As a result of water demand study by ANN method, it has been concluded that the factors effecting Diyarbakir water demand and their effects in percentage, are as follows: 34.5 % water price, 24.7% invoice amount per subscriber, 16.7% population growth, 18.9% temperature, 3.9% humidity and, 1.3% precipitation. Regarding to the performance of ANN prediction model, the efficiency coefficient has been measured as 92.4%, correlation coefficient as 96.1% and determination coefficient as 92.4%. Furthermore, comparing estimates produced by the model with actual values it has been concluded that MSE, RMSE and MAPE values are relatively low and the model produces very small inaccurate results, therefore consistency of forecast and power of accuracy is quite high. At the end of the study, the performance of estimates that are derived from ANN has been compared with those derived from methods (ARIMA and Winters Exponential Smoothing) basing on time series and it has been observed that ANN produces the best results in all performance criteria.Key Words: Demand Forecast, Artificial Neural Network, Water Demand, Water Planning.