خلاصة:
پیش بینی هزینه کل آب در شهرداری اصفهان کمک موثری میباشد برای بهینه سازی مصرف آب در 14 منطقهشهرداری اصفهان. هزینه کل آب تابعی از پارامترهای مختلف و متنوع می باشد. به همین دلیل پیش بینی هزینه بهصورت تحلیلی بسیار مشکل و یا ناممکن می باشد. در این شرایط استفاده از سیستم های هوشمند می تواند بهعنوان یک گزینه راهگشا مطرح گردد. در این تحقیق با استفاده از شبک ه های عصبی پرسپترون چند لایه و باالگوریتم آموزشی پس انتشار خطا هزینه کل آب شهرداری اصفهان بر اساس پارامترهای سرانه جمعیت هر منطقه،سرانه مساحت هر منطقه به دست آمده است.بدین منظور در این تحقیق مدلی برنامه ریزی شده که قابلیت ها وچهارچوب آن برای پیش بینی هزینه آب در 14 منطقه شهرداری اصفهان میباشد. این برنامه شامل شبیه سازی و پیشبینی هزینه کل آب سالانه شهرداری اصفهان می باشد. شبیه سازی هزینه کل آب با روش های رگرسیون و ش بکهعصبی مصنوعی با استفاده از داده های سال 83 تا 88 انجام شده است که در نهایت روش شبکه عصبی مصنوعیبه عنوان مدل شبیه سازی تعیین شده است
ملخص الجهاز:
در این تحقیق با استفاده از شبکه های عصبی پرسپترون چند لایه و با الگوریتم آموزشی پس انتشار خطا هزینه کل آب شهرداری اصفهان بر اساس پارامترهای سرانه جمعیت هر منطقه، سرانه مساحت هر منطقه به دست آمده است.
با این مقایسه روشی بهینه و مطلوب خواهد بود که دارای انحراف بودجه حداقل باشد و شواهد لازم جهت پاسخ به سوال اصلی تحقیق یعنی: آیا پیش بینی هزینه های آب در 14 منطقه شهرداری اصفهان با استفاده از شبکه عصبی مصنوعی از دقت بیشتری نسبت به مدل رگرسیون برخوردار است؟ ارائه شود.
در این تحقیق پس از بیان مشکلات معمول پیش بینی با استفاده از مدل های ساختاری در اقتصاد به پیش بینی تقاضای روزانه برق با استفاده از شبکه پیش خور چند لایه پرداخته شده است و سپس نتایج پیش بینی با دیگر پیش بینی های صورت گرفته از جمله آریما مقایسه می گردد و در نهایت چنین نتیجه گیری می شود که در صورت انتخاب مناسب پارامترهای شبکه عصبی مصنوعی این مدل مشکلات مربوط به مدل های ساختاری را ندارد و دارای عملکرد بهتری می باشد.
5- نتیجه گیری و بحث در این تحقیق با استفاده از شبکه های عصبی مصنوعی، هزینه کل آب در 14 منطقه شهرداری اصفهان شبیه سازی شده است.
Peak daily water demand forecast modeling using artificial neural networks.
Urban water demand forecasting with a dynamic artificial neural network model.
46(6-7): 255–261 Back Propagation Supervised Learning Unsupervised Learning MAPE User friendly TanSig epoch