Aylık Su Talebinin Tahmininde Veri Büyüklüğünün Etkisinin Değerlendirilmesi; Ankara (Etimesgut) Örneği

Kentsel su yönetiminin planlama ve işletme süreçlerine yönelik en önemli adımı, talep tahminidir. Su talebinin kestirimi, birbirinden çok farklı yöntemlerle ortaya konulabilen bir dizi tahminden oluşmaktadır. Genel olarak literatürde pek çok yöntem ile karşılaşılmaktadır. Ancak bu yöntemlerin kestirim gücü ve açıklayıcılık düzeyi verilerin miktarı ve zamansal çözünürlüğü gibi unsurlarla ilişkili biçimde değişkenlik göstermektedir. Özellikle tek değişkenli (sadece zaman serisi kullanılan) analizlerde uygun miktarda veriler kullanılması gerekmektedir. Bu araştırmada, zaman serisi analizinde veri ön işleme ve kestirim yöntemi olarak da kullanılabilen veri düzleştirme (smoothing) yöntemlerinin aylık su talebinin kestirimindeki etkinliği ve doğru tahminler üretilmesi için gerekli veri büyüklüğü ele alınmıştır. Bu maksatla, Ankara İline ait aylık su tüketim verilerine WMA, EMA, LTP, QTP, Holt DES yöntemleri uygulanarak tahmin konusundaki etkinlikleri değerlendirilmiştir. Elde edilen bulgulara göre, aylık düzeyde su talebinin tahmininde klasik zaman serisi düzleştirme yöntemlerinin kestirim gücünün; serilerin hangi matematiksel modele uyduğu, verilerin büyüklüğü ve mevsimsellik gibi nedenlerle ortaya çıkan varyasyonlar gibi nedenlerle ilişkili şekilde değiştiği ve yüksek doğrulukta tahminler üretilmesi konusunda her yöntem için farklı veri büyüklüğüne ihtiyaç duyulabileceği anlaşılmaktadır.

One of the most crucial steps in urban water management planning and operation is demand forecasting. Forecasting water demand consists a series of predictions that can be made using various methods. However, the predictive power and explanatory level of these methods vary depending on factors such as the amount of data and temporal resolution. Especially in univariate analyzes (using only time series), to reach a satisfying level of predictive power, appropriate amount of data should be benefited. In this research, the effectiveness and the required data size of data smoothing methods, which can also be employed as pre-processing and forecasting methods in time series analysis, is discussed. For this purpose, WMA, EMA, LTP, QTP, Holt DES methods were applied to monthly water consumption data of a selected district of Ankara Province and their effectiveness in prediction was evaluated. According to the findings, the predictive power of classical time series smoothing methods in estimating monthly water demand; varies depending on the mathematical model they fit into, the size of the data used and variations that occur due to reasons such as seasonality, and that different data sizes. Thus, different data sizes may be needed to produce high-accuracy forecasts.