پیش بینی تقاضای کوتاه مدت آب شهری با استفاده از شبکه های عصبی بازگشتی

یکی از الزامات مدیریت شبکه های توزیع آب شهری، پیش بینی میزان تقاضای کوتاه مدت آب برای یک شبانه روز در بازه ساعتی می باشد. تقاضای آب دارای ماهیت سری زمانی و الگویی با ساختار پیچیده بوده و تابعی از عوامل فراوان می باشد که شبکه های عصبی عمیق می توانند گزینه مناسبی جهت استخراج این الگوی پیچیده باشند. در این مطالعه از شبکه های عصبی LSTM و GRU که از شبکه های عصبی عمیق و جزء شبکه های عصبی بازگشتی می باشند، جهت پیش بینی میزان تقاضای کوتاه مدت آب استفاده شده و نتایج آنها با یکدیگر مقایسه گردیدند. تنظیم ابر پارامترها جهت رسیدن به معماری بهینه با سعی و خطا انجام شده و مدلها در بستر نرم افزاری تنسورفلو و کتابخانه کراس در پایتون پیاده سازی گردیدند. نتایج شاخص های ارزیابی در این مدلها نشان داد که شبکه عصبی GRU با خطای پیش بینی ۳.۷۸% با دقتی بالاتر نسبت به شبکه عصبی LSTM (با خطای ۴.۱۶%)، تقاضای کوتاه مدت آب در بازه ساعتی را پیش بینی می نماید.