AI Summary & Key Takeaways
AI InsightExperimental 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.
📌 3 Key Takeaways
Abstract
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.
Özet
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.