الگوبندی و پیش‌بینی تقاضای آب شهر اصفهان با روند ضمنی و سری زمانی

آب و خاک

مقاله 1، دوره 29، شماره 2، خرداد 1394، صفحه 251-262   

نوع مقاله: مقالات پژوهشی

شناسه دیجیتال (DOI): 10.22067/jsw.v0i0.23751

نویسندگان

حسین صادقی^{* 1}؛ علی محمد آخوندعلی²؛ میثم حداد³؛ محمدرضا گلابی⁴

¹دانشگاه تربیت مدرس

²چمران اهواز

³دانشگاه صنعت آب و برق (شهید عباسپور)

⁴دانشگاه شهید چمران اهواز

چکیده

الگوبندی صحیح تقاضای آب در بخش شهری به منظور پیش‌بینی و اتخاذ سیاست های مربوط به مدیریت منابع آب با اهمیت است. بنابراین استفاده از الگوهایی که بتواند نیاز آینده آبی را با خطای کمتر الگوبندی و پیش‌بینی کنند، حائز اهمیت است. دو الگوی سری زمانی ساختاری (STSM) و سری زمانی ARMA برای الگوبندی و پیش‌بینی تقاضای آب شهر اصفهان در مقاله حاضر بحث و مقایسه شده است. داده های مورد استفاده شامل مصرف آب شهر اصفهان، قیمت آب و هزینه‌های پرداختی مشترکین آب در مقیاس ماهانه و طی دورة 90-1388 است. با وارد کردن جزء غیرقابل مشاهدة روند و ایجاد یک مدل فضا – حالت، با روش حداکثر درست نمایی و به کارگیری صافی کالمن، اقدام به الگوبندی شد. بهترین الگو در مدل سری زمانی ARMA با سه معیار شوارتز بیزین و آکائیک انتخاب شد. نتایج به دست آمده حاکی است که پیش‌بینی تقاضای آب با روش سری زمانی ساختاری برتری نسبت به ARMA دارد. مناسب‌ترین حالت از طریق آمارة نسبت درستنمایی برای پارامترها، حالت ثابت بودن سطح و تصادفی بودن شیب روند است. بنابراین، استفاده از الگوی سری زمانی ساختاری در پیش‌بینی تقاضای آب، می‌تواند به عنوان ابزاری کارآمد مورد استفادة مدیران و برنامه‌ریزان در بخش مدیریت آب قرار گیرد.

کلیدواژه‌ها

پیش‌بینی آب شهری؛ روند ضمنی؛ صافی کالمن؛ سری زمانی ساختاری؛ ARMA

مراجع

1- Bougadis J., Adamowski K.B., and Diduch R. 2005. Short-term municipal water demand forecasting. Hydrological Processes, 19(1):137-148.

2- Box G.E.P., and Jenkins G.M. 1976. Time series Analysis.Forecasting and control.Holden-Day.SanFrancisco.

3- Chatfield C. 1982. Teaching a Course in AppliedStatistics. Applied Statistics, 31(3): 272-289.

4- Cheng Qi., and Ni-Bin Chang. 2011. System dynamics modeling for municipal water demandestimation in an urban region under uncertain economic impacts. Journal of Environmental Management, 92:1628-1641.

5- Chitnis M. 2005. Estimating the price elasticity of demand for gasoline using structural time series models and the concept of the implied. Quartely journal of economical studies, 5: 16-1.(in Persian).

6- Ghiassi G.A., Zimbra D.K.B., and Saidane H.C. 2008. Urban water demand forecasting with a dynamic artificial neural network model. J. of Water Resources Planning and Management, 134(2):138-146.

7- Harvey A.C. 1989. Forecasting, Structural Time Series Models and The Kalman Filter”, Cambridge University Press, Cambridge, UK.

8- Ho S.L., Xie M., and Goh T.N. 2002. A comparative study of neural network and Box-Jenkins ARIMA modeling in time series prodiction. Computers and Industrial Engineering, 371-375.

9- Mohamed M., Mohamed Aysha A. Al-Mualla. 2010. Water demand forecasting in Umm Al-Quwain using the constant rate model. Desalination, (259): 161–168.

10- Nasseri M., Moeini A., Tabesh M. 2011. Forecasting monthly urban water demand using Extended Kalman Filter and Genetic Programming. Expert Systems with Applications, (38): 7387–7395.

11- Pejoyan J., and Hosseini Sh. 2011. Estimating domestic water demand (case study of Tehran). Journal of Technology and Development, 5: 167-181. (in Persian).

12- Pesaran M.H., and Pesaran B. 1997. Working with Microfit 4.0: An interactive econometric software package (DOS and Windows versions), (Oxford University Press, Oxford).

13- Pourkazemi M.H., nahavandi B., and nahavandi A. 2005. Comparative study of linear ARIMA and nonlinear fuzzy neural network and forecast in city gas sharing. Journal of Economic Research, 71: 146-133. (in Persian).

14- Sadeghi H., Zolfagari M., and Aram R. 2010. Modeling and short-term forecasting urban water demand.Journal of Economic Policy, 7(2): 159-172.(in Persian).

15- Shakeri A., Mohammadi T., Jahangard E., and Mousavi M.H. 2010. Estimation Modeling of gasoline demand in the transport sector. Quartely journal Energy Economics Studies, 5: 31-1.(in Persian).

16- Shrzei G.H., Ahrari M., and Fakhraee H. 2008. Tehran's per capita water demand prediction using structural model, time series and neural networks of the type GMDH. Journal of Economic Research, 84: 151-175.

17- Tabesh M., Goshe S., and Yazdanpanah M.J. 2007. Short-term forecasting of water demand in Tehran Using Artificial Neural Networks. College of Engineering, 41(1): 24-11.(in Persian).

18- Tabesh M., and Dini M. 2010. urban daily water demand prediction using artificial neural network, case study: Tehran, Journal of Water and Wastewater, 1: 95-84. (in Persian).

19- Yurdusev M.A., Firat M., Mermer M., and Turan M.E. 2009. Water use prediction by radial and feed-forward neural nets. In Proceedings of the Institution of Civil Engineers: Water Management, 162(3):179-188.

20- Zolfagari M., AminNasseri M.H., and Besharatniya F. 2001. An Integrated Model of Artificial Neural network wavelet and ARMA at water demand in the city. Journal of Technology and Development, 5: 167-181. (in Persian).