DEEP LEARNING AND HYBRID MODEL APPROACH IN PREDICTION OF ISTANBUL’S WATER CONSUMPTION: ARIMA, MLP AND ARIMA-MLP HYBRID MODELS

An Erratum to this article was published on June 19, 2025. https://dergipark.org.tr/en/pub/trakyasobed/article/1723236

Abstract

The water resources are gradually decreasing in the world due to reasons such as decrease in precipitation result of climate changes, epidemics, unconscious water consumption, improper irrigation problems, industrialization and population increases. Economically, considering the widespread use of water in agriculture and industry, it may cause crises between countries in future. For this reason, it is very important for countries to predict the amount of water consumption and to create appropriate water policies in the light of the predictions. The prediction of water consumption is a critical issue due to ever-increasing population and the risk of insufficient water resources of Istanbul. Therefore, in this study, in order to investigate the best prediction model of water consumption, ARIMA from classical time series methods, machine learning methods and hybrid models, which are alternative methods that have emerged recently and have shown quite good performance in predicting both linear and nonlinear structures in time series, are applied. Firstly, stationarity analysis are made by applying augmented Dickey Fuller (1979,1981), Phillips and Perron (1988) and Kwiatkowski, Phillips, Schmidt and Shin (1992) unit root tests to the yearly drinking water consumption series in 1991-2022 period. To determine the best estimation model for water consumption in Istanbul, we use the hybrid model of Zhang (2003), which allows us to use ARIMA from time series, MLP (Multi-Layer Perceptron) from artificial neural networks, and artificial neural networks for linear data and non-linear time series data. The water consumption of İstanbul is predicted by using the ARIMA, MLP (Multilayer Perceptron) and Zhang (2003)'s hybrid model, and the results are compared based on error-based criteria. As a result, Zhang (2003)'s hybrid model is determined as the best estimation model. In addition, based on the prediction results obtained from Zhang (2003)'s hybrid model, it is concluded that Istanbul's water consumption will continue to increase in coming years.

Keywords

• Water Consumption
• Deep Learning
• ARIMA
• MLP
• Hybrid Model

İSTANBUL’UN SU TÜKETİMİNİN TAHMİNİNDE DERİN ÖĞRENME VE HİBRİT MODEL YAKLAŞIMI: ARIMA, MLP VE ARIMA-MLP HİBRİT MODELLERİ

Bu makale için 19 Haziran 2025 tarihinde bir düzeltme yayımlandı. https://dergipark.org.tr/en/pub/trakyasobed/article/1723236

Öz

Dünya’da, iklim değişikliklerine bağlı olarak yağışlardaki azalma, salgınlar, bilinçsiz su tüketimi, yanlış sulama sorunları, sanayileşme, nüfus artışları gibi sebeplerle su kaynakları giderek azalmaktadır. Ekonomik açıdan bu azalma, suyun tarım ve sanayideki yaygın kullanımı düşünüldüğünde gelecekte ülkeler arası krizlere sebep olabilir. Bu nedenle su tüketim miktarı tahminlerinin yapılması ve tahminler ışığında uygun su politikalarının oluşturulması ülkeler açısından oldukça önemlidir. Su tüketiminin tahmini, İstanbul’un giderek artan nüfusu ve su kaynakların yetersiz kalması riski söz konusu olduğundan kritik bir konudur. Bu nedenle bu çalışmada su tüketimini en iyi tahmin eden modelin araştırılması amacıyla klasik zaman serisi yöntemlerinden ARIMA, makine öğrenmesi yöntemleri ve son zamanlarda ortaya çıkan, zaman serilerindeki hem doğrusal hem de doğrusal olmayan yapıyı tahminlemede oldukça iyi performans gösteren alternatif bir yöntem olan hibrit modelleri uygulanmıştır. İlk olarak, 1991-2022 yılları için yıllık içme suyu tüketimi serisine genişletilmiş Dickey Fuller (1979,1981), Phillips ve Perron (1988) ve Kwiatkowski, Phillips, Schmidt ve Shin (1992) birim kök testleri uygulanarak durağanlık incelemesi yapılmıştır. İstanbul’un su tüketiminde en iyi tahmin modelini belirleyebilmek için zaman serilerinden ARIMA, yapay sinir ağlarından MLP (Çok Katmanlı Algılayıcı) ve doğrusal verilerde zaman serisi doğrusal olmayan verilerde de yapay sinir ağlarını kullanmamızı sağlayan Zhang (2003)’ün hibrit modeli kullanılmıştır. İstanbul’un su tüketimi ARIMA, MLP (Çok Katmanlı Algılayıcı) ve Zhang (2003)’ün hibrit modeli kullanılarak tahmin edilmiş, sonuçlar hatalara dayalı ölçütlere göre karşılaştırılmıştır. Sonuç olarak, Zhang (2003)’ın hibrit modeli en iyi tahmin modeli olarak belirlenmiştir. Ayrıca Zhang (2003)’ın hibrit modelinden elde edilen tahmin sonuçlarına göre İstanbul'un su tüketiminin önümüzdeki yıllarda da artmaya devam edeceği sonucuna ulaşılmıştır.

Anahtar Kelimeler

• Su Tüketimi
• Derin Öğrenme
• ARIMA
• MLP
• Hibrit Model

References

1. Adamowski, J. ve Karapataki, C. (2012). Comparison of multivariate regression and artificial neural networks for peak urban water demand forecasting: Evaluation of different ANN learning algorithms. Journal of Hydrologic Engineering, 17(7), s.834−836.
2. Akay, E.Ç., Topal, K.H., Kizilarslan, S. ve Bülbül, H. (2019). Forecasting of Turkish housing price index: ARIMA, random forest, ARIMA-random forest. Pressacademia, 10(10), s.7-11.
3. Akdağ, R. (2014). Yapay sinir ağları yöntemiyle Diyarbakır ili kent merkezi içme suyu talep tahmini uygulaması (Doktora Tezi), Dicle Üniversitesi, Sosyal Bilimler Enstitüsü, Diyarbakır.
4. Alpaslan, F., Cağcağ, Ö., İlter, D. ve Yolcu, U. (2012). İstanbul temiz su tüketiminin bulanık zaman serisi yaklaşımları ile öngörüsü. TÜİK, İstatistik Araştırma Dergisi, 9(02), s.1-11.
5. Altunkaynak, A., Özger, M. ve Çakmakçı, M. (2005). Water consumption prediction of İstanbul city by using fuzzy logic approach. Springer,19(5), s.641-654.
6. Altunkaynak, A. ve Nigussie, T.A. (2017). Monthly water consumption prediction using season algorithm and wavelet transform;based models. Journal of Water Resources Planning and Management, 143(6), 04017011.
7. Başakın, E.E., Özger, M. ve Ünal, N.E. (2019). Gri tahmin yöntemi ile İstanbul su tüketiminin modellenmesi. Journal of Polytechnic, 22(3), s.755-761.
8. BM Dünya Su Kalkınma Raporu (2023). Partnerships and cooperation for water the United Nations world water development report 2023. Erişim tarihi: 17 Kasım 2023, https://unesdoc. unesco.org/ark:/48223/pf0000384655.

9. Box, G.E.P. ve Jenkins, G.M. (1976). Time series analysis: Forecasting and control. Almanya: Holden-day.
10. Box, G.E.P. ve Jenkins, G.M., Bacon, D.W. (1967). Models for forecasting seasonal and nonseasonal time series, spectral analysis of time series. Madison: Wisconsin Üniversitesi
11. Dickey, D.A. ve Fuller, W.A. (1981), Distribution of the estimators for autoregressive time series with a unit root. Econometrica, 49(4), s.1057-1072.
12. Dickey, D.A. ve Fuller, W.A (1979). Distribution of the estimators for autoregressive time series with a unit root. Journal Of American Statistical Association, 4(4), s.427-431.
13. DSİ (2022). DSİ 2022 yılı faaliyet raporu. Erişim tarihi: 24 Aralık 2023, https://www.dsi.gov.tr/Sayfa/Detay/759.
14. DSİ (2006). DSİ 2006 yılı faaliyet raporu. Erişim tarihi: 22.12.2023, https://www.dsi.gov.tr.
15. Duru, Ö. ( 2007 ). Zaman serileri analizinde ARIMA modelleri ve bir uygulama (Yüksek Lisans Tezi). İstanbul Üniversitesi, Sosyal Bilimler Enstitüsü, İstanbul.
16. Ebad O.Z. (2020). Şehirsel su sarfiyatına etki eden değişkenlerin Konya iline ait bazı mahalleler üzerinde incelenmesi (Yüksek Lisans Tezi). Konya Teknik Üniversitesi, Lisansüstü Eğitim Enstitüsü, Konya.
17. Engle, R.F. (1982). Autoregressive conditional heteroscedasticity with estimates of the variance of United Kingdom inflation. Econometrica, 50(4), s.987-1007.
18. Fırat, M., Yurdusev, M.A. ve Mermer, M. (2007). Uyarlamalı sinirsel bulanık mantık yaklaşımı ile aylık su tüketiminin tahmini. Gazi Üniversitesi Mimarlık Mühendislik Fakültesi Dergisi, 23(2), s.449-457.
19. Godfrey, L.G. (1978). Testing for higher order serial correlation in regression equations when the regressors include lagged dependent variables. The Econometric Society, 46(6), s.1303-1310.
20. Gündoğdu, R. ve Anlı, A.S. (2023). Küresel salgının Ankara ili kentsel su tüketimine etkileri. Türk Tarım - Gıda Bilim ve Teknoloji Dergisi, 11(3), s.166-175.
21. Hekimoğlu, M., Çetin, A. İ. ve Kaya, B. E. (2023). Evaluation of various machine learning methods to predict İstanbul’s freshwater consumption. International Journal of Environment and Geoinformatics, 10(2), s.001-011.
22. İBB Açık Veri Portalı (2022). 1991-2022 yılına ait İBB su tüketim verileri. Erişim tarihi: 12 Aralık 2023, https://data.ibb.gov.tr/dataset/istanbul-yillik-su-tuketimi-verileri.
23. İSKİ (2021). İstanbul içmesuyu ve kanalizasyon master planı hazırlanması işi. Erişim tarihi: 16 Ocak 2025, https://www.iski.gov.tr.
24. İnce, H. ve Çakır, F. S. ( 2017 ). Analysis of financial time series with model hybridization. Journal of Economics Finance and Accounting, 4(3), s.331-341.
25. Kourentzes, N. ve Crone, S.F. (2010). Feature selection for time series prediction a combined filter and wrapper approach for neural networks. Neurocomputing, 73, s.1923-1936.
26. Kwiatkowski, D., Phillips, P. C. B., Schmidt, P. ve Shin, Y. (1992). Testing the null hypothesis of stationary against the alternative of a unit root. Journal of Econometrics, 54, s.159-178.
27. Öztemel, E. (2012). Yapay sinir ağları. 3. Baskı, İstanbul: Papatya.
28. Phillips, P.C.B. ve Perron, P. (1988) Testing for a unit root in time series regression. Biometrika, 75(1), s.335-346.
29. Rajballie, A., Tripathi, V. ve Chinchamee, A. (2022). Water consumption forecasting models a case study in Trinidad (Trinidad and Tobago). IWA Publishing, 5, s.5434-5447.
30. Sevüktekin, M. ve Nargeleçekenler, M. (2015). İstanbul menkul kıymetler borsasında getiri volatilitesinin modellenmesi ve ön raporlanması. Ankara Üniversitesi Sosyal Bilimler Fakültesi Dergisi, 61(4), s.243-265.
31. Shah, S., Hosseini, M., Miled, Z. B., Shafer, R. ve Berube, S. (2018). A water demand prediction model for central Indiana. Thirtieth AAAI Conference on Innovative Applications on Artificial Intelligence içinde, s.586-591.
32. Türkiye Cumhuriyeti Dışişleri Bakanlığı (2025). Türkiye’nin Su Politikası. Erişim tarihi: 14 Ocak 2025, https://www.mfa.gov.tr/turkiye_nin-su-politikasi.tr.mfa.
33. Zhang, Y., Luo, Li., Yang, j., Liu, D., Kong, R. ve Feng, Y. (2018 ). A hybrid ARIMA-SVR approach for forecasting emergency patient flow. Journal of Ambient Intelligence and Humanized Computing, 26(4), s.2362-2374.
34. Zhang, D., Ni, G., Cong, Z., Chen, T. ve Zhang, T. (2014). Statistical interpretation of the daily variation of urban water consumption in Beijing, China. Hydrological Sciences Journal, 59(1), s.181-192.
35. Zhang, G. P. (2003). Time series forecasting using a hybrid ARIMA and neural network model. Neurocomputing, 50, s.159-175.