عنوان پایان‌نامه
پیش بینی مصرف آب شهری با استفاده از شبکه بیزین
- رشته تحصیلی
- مهندسی عمران -مهندسی آب - فاضلاب
- مقطع تحصیلی
- کارشناسی ارشد
- محل دفاع
- کتابخانه پردیس یک فنی شماره ثبت: 2038;کتابخانه مرکزی -تالار اطلاع رسانی شماره ثبت: 67586
- تاریخ دفاع
- ۱۱ شهریور ۱۳۹۳
- دانشجو
- مهدی ملارمضانی
- استاد راهنما
- مسعود تابش
- چکیده
- پیش¬بینی تقاضای آب¬ شهری و شناخت عوامل موثر بر آن، یکی از گام¬های مهم در مدیریت مصرف آب است. زیرا راه حل مؤثر تنها عرضه آب نیست، بلکه اتخاذ سیاست¬ها و تدابیر لازم مبتنی بر الگوی مصرف و نیز توجه کافی به عوامل طرف تقاضای آب از اهمیت بالایی برخوردار است. در مسائل پیش¬بینی بلندمدت به دلیل تعدد و تنوع بیشتر عوامل غیرقابل کنترل نسبت به پیش¬بینی کوتاه¬مدت، پیش¬بینی وضعیت آینده و در نهایت تصمیم¬سازی در مورد آن¬ها بسیار مشکل است. براساس معیارهای انتخاب مدل و متغیرهای مؤثر، علاوه بر تدوین مدل اولیه بلندمدت (که در آن از پارامترهایی استفاده می¬شود که بیش‌ترین همبستگی را با مصرف آب دارند) مدل گسترده¬ ارائه شده است که در آن اثر عوامل مؤثر بیش¬تری بر پیش¬بینی بلندمدت مصرف آب¬ در مدل¬سازی مورد توجه قرار گرفته است. مدل مصرف آب شهر نیشابور توسط شبکه¬ بیزین و با استفاده از متغیرهای درآمد سرانه واقعی، قیمت متوسط واقعی، شاخص کالا و خدمات مصرفی، تعداد باسوادان، تعداد بیکاران، سن افراد، متوسط دمای حداکثر، متوسط دمای حداقل و بارش با استفاده از نرم افزار Hugin Lite v.7.8 ایجاد شد. ساختار شبکه بیزین به دلیل ماهیت احتمالاتی، دقت بالایی در پیش¬بینی مصرف آب شهری خواهد داشت و می¬تواند به عنوان ابزاری توانمند در اختیار تصمیم¬گیران حوضه مدیریت آب شهری قرار گیرد تا تصمیم¬گیری برای آینده با عدم قطعیت کمتری صورت پذیرد. به¬منظور اهمیت دسته¬بندی داده¬ها در نتایج حاصل از مدل، پس از تعیین تعداد دسته بهینه هر متغیر توسط سه شاخص¬ اعتبارسنجی، دسته¬بندی عوامل مؤثر با استفاده از برنامه متلب انجام شد. بهترین شاخص مربوط به SD با ضریب همبستگی و میانگین خطای مطلق 82 درصد و 7 درصد در اجرای مدل پس از دسته¬بندی با این شاخص، می¬باشد. پس از انجام مراحل آموزش شبکه (آموزش ساختار و پارامتر شبکه)، دقت و صحت خروجی¬های مدل مورد بررسی قرار می¬گیرد. به¬منظور ارزیابی حساسیت مدل¬های اولیه و گسترده به ساختار شبکه¬ای خود و نحوه¬ی دسته¬بندی عوامل مرتبط، روابط ساختاری و نحوه¬ی دسته¬بندی مختلفی بین متغیرها مورد ارزیابی و بررسی قرار می¬گیرد. برای بررسی عملکرد مدل¬های¬ پیشنهادی، نتایج حاصل از پیش¬بینی مصرف بلند¬مدت آب شهر نیشابور با استفاده از مدل بیزین با نتایج مدل تابع استون-گیری (مطالعه موردی در هر دو تحقیق یکسان است) مقایسه شد. نتایج ضریب همبستگی و میانگین خطای مطلق برای بهترین مدل، مدل گسترده، به ترتیب برابر 89 درصد و 5 درصد می¬باشد. نتایج پیش¬بینی مدل¬های پیشنهاد شده و مقایسه آن¬ها با مدل تقاضای تابع استون-گیری نشان می¬دهد که مدل¬های پیشنهادی، توانایی و دقت بالایی در پیش¬بینی بلند¬مدت مصرف آب دارند.
- Abstract
- Forecasting urban water demand and related factors, is an important task in water use management. The only effective solution is not water supply. It is necessary to adopt policies and measures based on the consumption pattern and the attention to the demand side of the water. The long-term urban water consumption forecasting problems comes from the variety of uncontrollable factors to predict the future and so decision-making is very difficult. Based on model selection criteria and variables affecting, in addition to developing of early long-term model (where the parameters used that are most correlated with water consumption) a widespread model is proposed in which the most effective factors on predicting the long-term water use is considered in modeling. In this study, water consumption in the city of Nayshabur is modeled with Bayesian network using real per capita income, average real price index of consumer goods and services, the number of literate people, the number of unemployed, old people, the average of maximum temperature, minimum temperature and precipitation. Due to the probabilistic nature of Bayesian network structure, it has high accuracy in forecasting urban water consumption and can be a useful tool for decision-makers to make decisions for future with less uncertainty. In order to classify the data based on the results of the model, after determining the optimal number of categories of each variable by three criteria, classification of factors was performed using MATLAB program. The best indicator is the SD with a correlation coefficient and mean absolute error of 82 percent and 7 percent in the performance of the model. After network training (training structure and parameters), the accuracy of the model outputs is studied. To assess the sensitivity of the initial model, it’s extensive network structure, the method of grouping related factors and structural relationships between variables are evaluated. To evaluate the performance of the proposed model, the results of predicting long-term consumption of water in Nayshabur using Bayesian model with the results of the Stone-Geary (case study is identical in both studies) were compared. The results of the correlation coefficient and mean absolute error for the best models, extensive, respectively, 89 percent and 5 percent. The proposed prediction model and compare it with the Stone-Geary demand model shows that the proposed model have the ability to accurately predict the long-term consumption of water.
