MONTHLY WATER DEMAND FORECASTING BY ADAPTIVE NEURO-FUZZY INFERENCE SYSTEM APPROACH

Öz

In this study, an adaptive Neuro-Fuzzy inference system (ANFIS) is used to forecast monthly water use from several socio-economic and climatic factors, which affect water use. Totally 108 data sets are collected and data sets are divided into two subsets, training and testing. The models consisting of the combination of the independent variables are constructed and the best fit input structure is investigated. The performance of ANFIS models in training and testing sets are compared with the observations and the best fit model forecasting model is identified. For this purpose, some criteria of performance evaluation such as, Root Mean Square Error (RMSE), efficiency (E) and correlation coefficient (CORR) are calculated for all models. Then, the best fit models are also trained and tested by Multiple Regression (MR). The results of models are compared to get more reliable comparison. The results indicated that ANFIS can be applied successfully for monthly water demand forecasting .

Anahtar Kelimeler

• Water demand management,water demand forecasting,ANFIS

UYARLAMALI SİNİRSEL BULANIK MANTIK YAKLAŞIMI İLE AYLIK SU TÜKETİMİNİN TAHMİNİ

Öz

Bu çalışmada, Uyarlamalı Sinirsel Bulanık Mantık (USBM) yaklaşımı ile ekonomik ve iklim şartları gibi faktörlere bağlı olarak değişen aylık su kullanımının tahmin edilmesi amaçlanmaktadır. Bunun için, toplam 108 adet veri toplanmış ve eğitim ve test olarak iki gruba ayrılmıştır. Çeşitli giriş değişkenlerin değişik bileşenlerinden oluşan modeller kurulmuş ve aylık su tüketiminin tahmini için en uygun model yapısı araştırılmıştır. Kurulan her bir model USBM yöntemi ile eğitilerek test edilmiş ve gözlem değerleri ile karşılaştırılarak en uygun model yapısı belirlenmiştir. Bu amaçla, Korelasyon Katsayısı (CORR), Verimlilik (E) ve Karesel Hataların Ortalamasının Karekökü (RMSE) gibi çeşitli performans değerlendirme ölçütleri hesaplanmıştır. Daha sonra, daha doğru ve güvenilir bir karşılaştırma ve değerlendirme yapmak için, en uygun model aynı veri seti kullanılarak Çoklu Regresyon Yöntemi (ÇRY) ile çözülmüş ve test edilmiştir. Her iki yöntem sonuçları karşılaştırılarak performansları değerlendirilmiştir. Elden edilen sonuçlar, USBM yönteminin aylık su tüketimi tahmininde regresyon yöntemine göre daha iyi sonuçlar verdiğini ve su tüketimi tahmininde etkili bir şekilde uygulanabileceğini göstermiştir.

Anahtar Kelimeler

• Su tüketimi, su tüketim tahmini, uyarlamalı sinirsel bulanık mantık.

Kaynakça

1. Agarwal, A., Mishra, S.K., Ram, S., ve Singh,
2. J.K. “Simulation of runoff and sediment yield
3. using artificial neural networks” Biosystems
4. Engi., 94 (4), 597–613, 2006.
5. Altunkaynak, A., Özger, M., ve Çakmakcı, M.
6. “Water Consumption Prediction of Istanbul City
7. by Using Fuzzy Logic Approach”, Water
8. Resources Manage., 19, 641–654, 2005

9. ASCE Task Committee. “Artificial neural
10. networks in hydrology-II: Hydrologic
11. applications”, Journal of Hydrologic
12. Engineering, ASCE 5 (2), 124–137, 2000.
13. Babel, M.S., Gupta, A.D., ve Pradhan, P. “A
14. multivariate econometric approach for domestic
15. water demand modeling: An application to
16. Kathmandu, Nepal”, Water Resour Manage.,
17. , 573–589, 2007.
18. Bougadis, J., Adamowski, K., ve Diduch, R.
19. “Short-term municipal water demand
20. forecasting”, Hydrol. Processes, 19, 137–148,
21. -
22. Chen, S.H., Lin, Y.H., ve Chang, L.C. „Chang
23. F.J. The strategy of building a flood forecast
24. model by neuro fuzzy network”, Hydrol.
25. Processes., 20, 1525–1540, 2005.
26. Chang F.J. Chang Y.T. 2006. Adaptive neurofuzzy
27. inference system for prediction of water
28. level in reservoir. Advances in Water Resources.
29. : 1-10
30. Firat M, ve Güngör M. “River Flow Estimation
31. using Adaptive Neuro-Fuzzy inference System”,
32. Mathematics and Computers in Simulation,
33. (3-4), 87-96, 2007.
34. Firat, M. “Sinirsel Bulanık Mantık Yaklaşımı
35. ile Havza Modellemesi”, Doktora Tezi,
36. Pamukkale Üniversitesi, Fen Bilimleri Enst.
37. Denizli, 2007.
38. Froukh, M.L. “Decision-Support System for
39. Domestic Water Demand Forecasting and
40. Management”, Water Resources Management,
41. , 363–382, 2001.
42. Jain, A., Varshney, A.K., ve Joshi, U.C. “Shortterm
43. water demand forecast modeling at IIT
44. Kanpur using artificial neural networks”, Water
45. Resources Manage., 15, 299–321, 2001.
46. Jain, A., ve Kumar, A.M. “Hybrid neural
47. network models for hydrologic time series
48. forecasting”, Applied Soft Computing, 7, 585-
49. , 2007.
50. Jang, J.S.R., Sun, C.T., ve Mizutani, E. Neuro-
51. Fuzzy and Soft Computing, PrenticeHall,
52. ISBN 0-13-261066-3, 607p, 1997.
53. Jeong, D., ve Kim, Y.O. “Rainfall-runoff models
54. using artificial neural networks for ensemble
55. stream flow prediction”, Hydrolo. Processes,
56. , 3819–3835, 2005.
57. Komornik, J., Komornikova, M., Mesiar, R.,
58. Szökeova, D., ve Szolgay, J. “Comparison of
59. forecasting performance of nonlinear models of
60. hydrological time series”, Physics and
61. Chemistry of the Earth, 31, 1127–1145, 2006.
62. Kumar, A.R.S., Sudheer, K.P., Jain, S.K., ve
63. Agarwal, P.K. “Rainfall-runoff modelling using
64. artificial neural networks:comparison of network
65. types”, Hydro.Processes, 19, 1277–1291, 2005.
66. Lahlou M, ve Colyer, D. “Water conservation in
67. Casablanca, Morocco”, J Am Water Resour
68. Assoc., 36(5), 1003–1012, 2000.
69. Liu, J., Savenije, H.H.G., ve Xu, J. “Forecast of
70. water demand in Weinan City in China using
71. WDF-ANN model”, Physics and Chemistry of
72. the Earth, 28, 219–224, 2003.
73. Liong, S.Y., Lim, W. H., Kojiri, T., ve Hori T.
74. “Advance Flood forecasting for Flood stricken
75. Bangladesh with a fuzzy reasoning method”,
76. Hydrological Processes, 14, 431- 448, 2000.
77. Mahabir, C., Hicks, F.E., ve Fayek, A.R.,
78. “Application of fuzzy logic to the seasonal
79. runoff”, Hydrological Processes, 17, 3749–
80. , 2003.
81. Nagy, H.M., Watanabe, K., ve Hirano, M.
82. “Prediction of Sediment Load concentration in
83. Rivers using Artificial Neural Network Model”,
84. Journal of Hydr. Eng., 128, 588-595,2002.
85. Nayak, P.C., Sudheer, K.P., ve Ramasastri, K.S.
86. “Fuzzy computing based rainfall-runoff model
87. for real time flood forecasting”, Hydrological
88. Processes, 17, 3749–3762, 2004a.
89. Nayak, P.C., Sudheer, K.P., Rangan, D.M., ve
90. Ramasastri, K.S. “A Neuro Fuzzy computing
91. technique for modeling hydrological time
92. series”, Journal of Hydr., 29, 52–66, 2004b.
93. Rajurkar, M.P, Kothyari, U.C., ve Chaube, U.C.
94. “Modeling of the daily rainfall-runoff
95. relationship with artificial neural network”,
96. Journal of Hydrology, 285, 96–113, 2004.
97. Şen, Z. Mühendislikte Bulanık (Fuzzy)
98. Mantık ile Modelleme Prensipleri, ISBN:
99. , 193 p, Su Vakfı Yayınları, 2004.
100. Şen, Z., ve Altunkaynak, A. “A comparative
101. fuzzy logic approach to runoff coefficient and
102. runoff estimation”, Hydrolo. Processes, 20,
103. –2009, 2006.
104. Wong, L.T., ve Mui, K.W. “Modeling water
105. consumption and flow rates for flushing water
106. systems in high-rise residential buildings in
107. Hong Kong”, Building and Environment, 42,
108. –2034, 2007.
109. Zhou, S.L., McMahon, T.A., Walton, A., ve
110. Lewis, J. Forecasting daily urban water demand:
111. a case study of Melbourne”, Journal of Hydro.
112. (3), 153–164, 2000.