Makine Öğrenmesi Yöntemleriyle Anormal İçme Suyu Tüketimlerinin Tespit Edilmesi ve Tahmin Modellerinin Geliştirilmesi

Öz

Bu çalışmada, içme suyu gibi önemli bir ihtiyacın hane halkı tarafından tüketiminde belirli bir düzen olabileceği gibi, farklı etkenlere bağlı olarak düzensiz tüketimin de olabileceği öngörülmektedir. Artan nüfus, sınırlı içme suyu kaynakları, gelişen alt yapı ve teknoloji, içme ve kullanma suyuna olan talebi artırmıştır. Artan talebi karşılamak için alternatif su kaynağı arayışları yanında mevcut suların israf edilmemesinin ve daha verimli kullanılmasının da etkili olacağı öngörülmektedir. Yapay zekanın (AI) alt dalı olan makine öğrenmesi (ML) yöntemleriyle geçmiş dönemlerdeki içme suyu tüketimleri analiz edilmiş, olağan ve olağan dışı tüketim davranış modelleri çıkarılmıştır. İçme suyu mesken abonelerinin anormal tüketimlerinin tespiti ve bilgilendirilmeleri durumunda, hane içi tüketimlerin normal tüketim aralığında kalmasının sağlanacağı öngörülmektedir. Çalışmada Kayseri ili genelinde 2006 – 2022 (ilk 6 ay) tarihleri arasında sayaç endeks okuması 160 dönemden fazla olan 8.224 adet mesken abonesine ait sayaç, abone ve tüketim verileri dikkate alınmıştır. Veriler konumsal abone temelinde birleştirilmiş, 41 öznitelikli veri kümesi elde edilmiş, veri ön işlemleri sonucunda 24 öznitelikli bir veriseti oluşturulmuştur. Çalışmada 6 farklı öznitelik seçim yöntemi kullanılarak alt verisetleri elde edilmiştir. Bütün verisetler 7 farklı anomali analiz yöntemi kullanılarak anormal ve normal içme suyu tüketimleri tespit edilmiştir. Anomali analizleri sonucunda hesaplanan aykırılık puanları kullanılarak bütün tüketim değerleri 4 farklı tüketim sınıfı ile etiketlenmiş, veriseti gözetimli hale getirilmiş, 7 farklı ML sınıflandırma algoritması ile tüketim sınıf tahmin modelleri geliştirilmiştir. Çalışma sonucunda anormal içme suyu tüketimlerinin ML yöntemleri ile tespit edilebileceği, tüketim sınıflarının tahmin edilebileceği ispatlanmış, suyun israf edilmeden daha verimli kullanımıyla ilgili gerekli politikaların oluşturulabileceği ve bunun için önlemler alınabileceği ortaya konmuştur.

Anahtar Kelimeler

• İçmesuyu
• abone
• tüketim analizi
• makine öğrenmesi
• anomali analizi
• anomali tespiti
• aykırı değer
• etkili durum
• etkili durumlar
• etkili gözlemler

Detecting Abnormal Drinking Water Consumptions And Developing Forecast Models By Machine Learning Methods

Öz

In this study, it is predicted that there may be a certain order in the consumption of an important need such as drinking water by the household, as well as irregular consumption depending on different factors. Increasing population, limited drinking water resources, developing infrastructure and technology have increased the demand for drinking and utility water. There is a search for alternative water sources to meet this demand, but it is foreseen that these demands can be met by not wasting existing water and using it more efficiently. By using machine learning (ML) methods, which is a sub-branch of artificial intelligence (AI), drinking water consumption data in the past periods were analyzed, and ordinary and unusual consumption behavior models were extracted. It is envisaged that by detecting abnormal consumptions that may occur in drinking water consumption and informing the subscribers about this issue, it will be ensured that the consumption in the household remains within the normal consumption range. Although the amount of data collected, recorded and processed in today's IT world has increased significantly, it is known that the exact analysis is difficult in terms of time and cost. In this study, subscriber, meter, consumption, bill and payment data of 8,224 residential subscribers, whose water meter index reading is more than 160 periods throughout the province of Kayseri, between 2006 and 2022 (first 6 months) were taken into account. The data are combined on a spatial subscriber basis and a 41-features dataset is obtained. The dataset was transformed into a dataset Journal of Intelligent Systems: Theory and Applications 6(2) (2023) 159-172 160 with 24 features as a result of data preprocessing. In the study, 6 sub-datasets were obtained by using information gain (IG), gain ratio (GR), symmetric uncertainty coefficient (SU), pearson correlation coefficient (r), f-score and random forest (RF) feature selection methods. The 7th sub-dataset was obtained from the intersections of the selected features in the sub-datasets. In all datasets, abnormal and normal drinking water consumptions were determined by using 7 different ML anomaly analysis methods: tukey outlier labeling (TOL), forest of isolation (IF), z-score, copula-based outlier detection (COPOD), median absolute deviation (MAD), local outlier factor (LOF), and elliptical envelope (EE). At the beginning of the study were unsupervised drinking water consumption data at the end of the study, labeled as 4 different classes and the dataset was made supervised. Using the finally obtained supervised dataset, decision trees (DT), gaussian naive bayes (NB), k-nearest neighbors (KNN), logistic regression (LJR), multilayer perceptron neural network (MLP-NN), RF and gradient boosting (GB) have been developed consumption class estimation models with 7 different ML methods. As a result of the study, it has been proven that abnormal drinking water consumption can be detected by ML methods, and it has been revealed that necessary policies can be created for more efficient use of water without wasting water and measures can be taken for this.

Anahtar Kelimeler

• Drinking water consumption analysis
• machine learning
• anomaly analysis
• anomaly detection
• outlier
• effective case
• effective cases
• effective observations

Kaynakça

1. Arup and Sydney Water, 2015. The Future of Urban Water: Scenarios for Urban Water Utilities in 2040 [Internet]. Arup, Available from: https://www.arup.com/perspectives/publications/research/section/the-future-of-urban-water
2. Billings RB., Jones CV., 2008. Forecasting Urban Water Demand (Second Edition) [Internet]. Second. Kitap- American Water Works Association, 1–367 p, Available from: www.awwa.org
3. Cai J, Luo J, Wang S, Yang S., 2018. Feature Selection in Machine Learning: A New Perspective. Neurocomputing. 300, 70–9.
4. Campbell HE, Johnson RM., Larson EH., 2004. Prices, devices, people, or rules: The relative effectiveness of policy instruments in water conservation. Review of Policy Research, 21(5), 637–62.
5. Cini J, Mung A, Waughray D., 2014. Global Agenda Council on Water Security 2012-2014 [Internet]. World Economic Forum. 2014, Available from: http://www.weforum.org/content/global-agenda-council-water-security-2012-2014
6. International Water Association. 2017, The IWA principles for water wise cities - for urban stakeholders to develop a shared vision and act towards sustainable urban water in resilient and liveable cities. Urban Stakeholders to Develop a Shared Vision and Act towards Sustainable Urban Water in Resilient and Liveable Cities [Internet], 2nd, 1–6, Available from: https://iwa-network.org/wp-content/uploads/2016/10/IWA_Brochure_Water_Wise_Communities_SCREEN-1.pdf
7. Mayer P, Dziegielewski B, Kiefer JC, Lantz GL, Opitz EM, Porter G. Et al., 2000. Commercial and Institutional End Uses of Water. Power, 2014 p.
8. Mayer PW, DeOreo WB, Opitz EM, Kiefer JC, Davis WY, Dziegielewski B, et al., 1999. Residential End Uses of Water Executive Summary. AWWA Research Foundation and American Water Works Association, 1–345 p.

9. Türkiye Cumhuriyeti Cumhurbaşkanlığı Strateji ve Bütçe Başkanlığı, 2020. Sürdürülebilir Kalkınma Amaçları ve Göstergeleri. In: MÜDÜRLÜĞÜ YHG, BAŞKANLIĞI BVBYD, editors. Strateji ve Bütçe Başkanlığı Yayınları [Internet]. Haziran 20. Ankara: STRATEJİ VE BÜTÇE BAŞKANLIĞI, p. 1–42, Available from: http://www.surdurulebilirkalkinma.gov.tr/wp-content/uploads/2021/02/SKA-ve-Gostergeleri-Kapak-Birlestirilmis.pdf
10. Water Conflict, 2022. Water Conflict Chronology [Internet]. Vol. 1, Pacific Institute 2022, p. 1–52, Available from: https://www.worldwater.org/conflict/list/
11. Yıldız D, Özgüler H., 2020. Yapay Zekâ ve Su Yönetimi. Vol. 30, Rapor. Ankara.
12. Zhang R, Nie F, Li X, Wei X., 2019. Feature Selection with Multi-view Data: A Survey. Information Fusion [Internet], 50(March 2019), 158–67, Available from: https://doi.org/10.1016/j.inffus.2018.11.019