Bölgesel İçme Suyu Tüketiminin Geçmiş Dönem Verileri Kullanılarak LSTM, SARIMA ve ANN İle Tahmin Edilmesi: Kocaeli Örneği

Öz

İçme suyu talebi, nüfus artışına paralel olarak her geçen gün artmaya devam etmektedir. Plansız kentleşme, sanayileşme ve göç, güvenilir su teminine olan ihtiyacı daha da artırmaktadır. Üretim, iletim ve dağıtımın verimli bir şekilde planlanması için su tüketiminin doğru tahmin edilmesi hayati önem taşımaktadır; çünkü aşırı tahmin gereksiz altyapı maliyetlerine, düşük tahmin ise arz sıkıntısına yol açabilir. Bu çalışmada, Kocaeli ilindeki gelecekteki içme suyu tüketimi üç zaman serisi yöntemi kullanılarak tahmin edilmiştir: Uzun Kısa Süreli Bellek (LSTM), Mevsimsel Otoregresif Entegre Hareketli Ortalama (SARIMA) ve tam bağlantılı Yapay Sinir Ağları (YSA). Model eğitimi ve değerlendirmesi için 11 yıllık (2010-2020) aylık geçmiş tüketim verileri kullanılmıştır. Deneysel sonuçlar, LSTM tabanlı modelin tüketim verilerindeki dinamik kalıpları etkili bir şekilde yakaladığını ve tahmin doğruluğu açısından SARIMA ve YSA modellerinden daha iyi performans gösterdiğini göstermektedir. Bulgular, özellikle LSTM ağları olmak üzere derin öğrenme yaklaşımlarının güvenilir kısa ve uzun vadeli su tüketimi tahmini için potansiyelini vurgulamaktadır.

Anahtar Kelimeler

• Zaman Serileri
• İçme Suyu Tüketimi
• LSTM
• SARIMA
• ANN

Estimation of Regional Drinking Water Consumption Using Previous Consumption Data via LSTM, SARIMA and ANN: Kocaeli Example

Öz

The demand for drinking water continues to increase daily in parallel with population growth. Unplanned urbanization, industrialization, and migration further intensify the need for a reliable water supply. Accurate forecasting of water consumption is crucial for efficient planning of production, transmission, and distribution, as overestimation may lead to unnecessary infrastructure costs, whereas underestimation can result in supply shortages. In this study, future drinking water consumption in the city of Kocaeli was forecasted using three time series methods: Long Short-Term Memory (LSTM), Seasonal Autoregressive Integrated Moving Average (SARIMA), and fully connected Artificial Neural Networks (ANN). Monthly historical consumption data spanning 11 years (2010–2020) were utilized for model training and evaluation. Experimental results indicate that the LSTM-based model effectively captures the dynamic patterns in the consumption data and outperforms SARIMA and ANN models in predictive accuracy. The findings highlight the potential of deep learning approaches, particularly LSTM networks, for reliable short- and long-term water consumption forecasting.

Anahtar Kelimeler

• Time Series
• Drinking Water Consumption
• LSTM
• SARIMA
• ANN

Kaynakça

1. [1] Tezcan M. Kentten köye göç. Ankara Üniversitesi Eğitim Bilimleri Fakültesi Dergisi. 2019;22(1):37-42.
2. [2] Subaşı EM, Mustafa K. Türkiye’de kentleşme ve iktisadi büyüme ilişkisinin zamanla değişen nedensellik analizi yöntemiyle incelenmesi. Journal of Emerging Economies and Policy. 2017;2:44-63.
3. [3] Dinçer S, Özyer Y. Dünyayı tehdit eden kuraklık tehlikesi ve su krizinin sağlık üzerine etkisi: Cape Town örneği. IBAD Sosyal Bilimler Dergisi. 2020;7:144-153.
4. [4] Resmi Gazete. İnsani tüketim amaçlı sular hakkında yönetmelik. Sayı: 25730. 2005.
5. [5] Onuncu Kalkınma Planı. Su kaynakları yönetimi ve güvenliği özel ihtisas komisyonu raporu. Kalkınma Bakanlığı; 2014.
6. [6] Kühnert C, Gonuguntla NM, Krieg H, Nowak D, Thomas JA. Application of LSTM networks for water demand prediction in optimal pump control. Water. 2021;13(5).
7. [7] Zubaidi LS, Ortega-Martorell S, Al-Bugharbee H, Olier I. Urban water demand prediction for a city that suffers from climate change and population growth: Gauteng province case study. Water. 2020;12(7).
8. [8] Joseph N, Ryu D, Malano MH, George B, Sudheer KP. Estimation of state-wide and monthly domestic water use in India from 1975 to 2015. Urban Water Journal. 2021;18(6):421-432.

9. [9] Akman T, Yılmaz C, Sönmez Y. Elektrik yükü tahmin yöntemlerinin analizi. Gazi Journal of Engineering Sciences. 2018;4(3):168-175.
10. [10] Çevik F, Kilimci ZH. Derin öğrenme yöntemleri ve kelime yerleştirme modelleri kullanılarak Parkinson hastalığının duygu analiziyle değerlendirilmesi. Pamukkale Üniversitesi Mühendislik Bilimleri Dergisi. 2021;27(2):151-161.
11. [11] Özkaya U, Seyfi L, Öztürk Ş. Dimension optimization of multi-band microstrip antennas using deep learning methods. Pamukkale Üniversitesi Mühendislik Bilimleri Dergisi. 2021;27(2):229-233.
12. [12] Sanchez M, Terando A, Wsmith J. Forecasting water demand across a rapidly urbanizing region. Science Of The Total Environment. 2020;730.
13. [13] Zubaidi LS, Ortega-Martorell S, Kot PA. Method for predicting long-term municipal water demands under climate change. Water Resources Management. 2020;34:1265-1279.
14. [14] Vija P, Sivakumar PB. Performance comparison of techniques for water demand forecasting. Procedia Computer Science. 2018;143:258-266.
15. [15] Mu L, Zheng F, Tao R. Hourly and daily urban water demand predictions using a long short-term memory based model. Journal of Water Resources Planning and Management. 2020;146(9):1-11.
16. [16] Karcıoğlu A, Tanışman S, Bulut H. Türkiye'de COVID-19 bulaşısının ARIMA modeli ve LSTM ağı kullanılarak zaman serisi tahmini. Avrupa Bilim ve Teknoloji Dergisi. 2021;(32):288-297.
17. [17] Aykut Ç, Yenidoğan I, Dağ HH. Konutların günlük elektrik güç tüketimi tahmini için uygun model. Fırat Üniversitesi Mühendislik Bilimleri Dergisi. 2018;30(3):15-21.
18. [18] Hrnjica B, A D, Sefik B, Ağıralioğlu N. Suda bulanıklık tahmini için genetik programlama: saatlik ve aylık senaryolar. Pamukkale Üniversitesi Mühendislik Bilimleri Dergisi. 2019;25(8):992-997.
19. [19] Sirisha UM, Belavagi MC, Attigeri G. Profit prediction using ARIMA, SARIMA and LSTM models in time series forecasting: A comparison in IEEE. IEEE Access. 2022;10:124715-124727. Available from: https://doi.org/10.1109/ACCESS.2022.3224938
20. [20] Fansyah EA, Fakhrurroja H. Predicting Bitcoin prices by applying LSTM, ARIMA, SARIMA, GBRP, and GARCH models. In: 2025 IEEE International Conference on Industry 4.0, Artificial Intelligence, and Communications Technology (IAICT); 2025; Bali, Indonesia. p. 734-739. Available from: https://doi.org/10.1109/IAICT65714.2025.11100675
21. [21] Pan X, Hou J, Gao X, et al. LSTM model-based rapid prediction method of urban inundation with rainfall time series. Water Resources Management. 2025;39:661-688. Available from: https://doi.org/10.1007/s11269-024-03972-z
22. [22] Ma C, Hu H, Wu J, Chen Y. Predicting stock prices using hybrid LSTM and ARIMA model. IAENG International Journal of Applied Mathematics. 2024.
23. [23] Xiang P, Zhang P, Zhao H, Shao Z, Jiang L. Seismic response prediction of a train-bridge coupled system based on a LSTM neural network. Mechanics Based Design of Structures and Machines. 2023;52(8):5673-5695. Available from: https://doi.org/10.1080/15397734.2023.2260469
24. [24] Hong S, Ko SJ, Woo SI, et al. Time-series forecasting of consolidation settlement using LSTM network. Applied Intelligence. 2024;54:1386-1404. Available from: https://doi.org/10.1007/s10489-023-05219-7
25. [25] Başakin EE, Özger M, Ünal NE. Gri tahmin yöntemi ile İstanbul su tüketiminin modellenmesi. Politeknik Dergisi. 2019;22(3):755-761.
26. [26] Aktuğ A, Topal KH. İstanbul’un su tüketiminin tahmininde derin öğrenme ve hibrit model yaklaşimi: Arima, Mlp ve Arima-Mlp hibrit modelleri. Trakya Üniversitesi Sosyal Bilimler Dergisi. 2025;27(IERFM 2025 Özel Sayı):59-80. Available from: https://doi.org/10.26468/trakyasobed.1517258
27. [27] Karagöz K, Özkubat G. Manisa kentsel su tüketiminin öntahmini. Dicle Akademi Dergisi. 2024;4(1):1-27. Available from: https://doi.org/10.61964/dade.1441853
28. [28] Nasser AA, Rashad MZ, Hussein SE. A two-layer water demand prediction system in urban areas based on micro-services and LSTM neural networks. IEEE Access. 2020;8:147647-147661.
29. [29] Koo M, Han KH, Jun KS, Lee G, Kim JS, Yum KT. Performance assessment for short-term water demand forecasting models on distinctive water uses in Korea. Sustainability. 2021;13(11).
30. [30] Goswami K, Kandali AB. Electricity demand prediction using data driven forecasting scheme: ARIMA and SARIMA for real-time load data of Assam. In: International Conference on Computational Performance Evaluation; 2020 Jul 2-4. p. 570-574.
31. [31] Öztemel E. Yapay sinir ağları. 3. Baskı. İstanbul: Papatya Yayıncılık; 2012.
32. [32] Sharma AV. Understanding activation functions in neural networks. https://medium.com/the-theory-of-everything/understanding-activation-functions-in-neural-networks-9491262884e0. Published 2017. Accessed 2020 Mar 1.