Weekly urban water demand forecasting using a hybrid waveletbootstrap-artificial neural network approach

• Autorzy: Adamowski K. , Adamowski J.F. , Seidou O. , Ozga-Zielinski B.

Warianty tytułu

PL

Tygodniowa prognoza zapotrzebowania na wodę w obszarach miejskich określana metodą hybrydową z wykorzystaniem transformaty falkowej-bootstrapu-sztucznej sieci neuronowej

• Języki publikacji: EN

Abstrakty

EN

This study developed a hybrid wavelet–bootstrapartifi cial neural network (WBANN) model for weekly (one week) urban water demand forecasting in situations with limited data availability. The proposed WBANN method is aimed at improving the accuracy and reliability of water demand forecasting. Daily maximum temperature, total precipitation and water demand data for almost three years were used in this study. It was concluded that the hybrid WBANN model was more accurate compared to the ANN, BANN and WANN methods, and can be applied successfully for operational water demand forecasting. The WBANN model simulated peak water demand very effectively. The better performance of the WBANN model indicated that wavelet analysis signifi cantly improved the model’s performance, whereas the bootstrap technique improved the reliability of forecasts by producing ensemble forecasts. The WBANN model was also found to be effective in assessing the uncertainty associated with water demand forecasts in terms of confi dence bands; this can be helpful in operational water demand forecasting.

PL

W artykule zaproponowano hybrydowy model (WBANN) wykorzystujący transformatę falkową, bootstrap i sztuczną sieć neuronową do opracowania tygodniowej prognozy zapotrzebowania na wodę w obszarach miejskich przy ograniczonej dostępności danych. Proponowany model WBANN ma na celu poprawę trafności i niezawodności prognozowania zaopatrzenia w wodę. W analizach wykorzystane zostały dobowe wartości maksymalnej temperatury, sumy opadów i zapotrzebowania na wodę z 3-letniego okresu obserwacji. Stwierdzono, że hybrydowy model WBANN jest dokładniejszy od modeli ANN, BANN i WANN i z powodzeniem może być użyty do operacyjnego prognozowania zapotrzebo zapotrzebowania na wodę. Model WBANN bardzo skutecznie prognozuje szczytowy popyt na wodę. Dobre wyniki otrzymane z modelu WBANN świadczą o tym, że zastosowana analiza falkowa znacząco poprawiła dokładność modelu, a metoda bootstrapu polepszyła niezawodność (wiarygodność) modelu poprzez prognozowanie ensemblowe. Ocena niepewności z zastosowaniem przedziału ufności wykazała dużą trafność prognoz generowanych przez model WBANN oraz jego przydatność w operacyjnym wykorzystaniu.

Słowa kluczowe

EN

Canada; water demand; forecasting; artificial neural network; wavelet analysis

• Wydawca: -
• Czasopismo: Annals of Warsaw University of Life Sciences - SGGW. Land Reclamation
• Rocznik: 2014
• Tom: 46
• Numer: 3
• Opis fizyczny: p.197-20,fig.,ref.

Twórcy

autor

Adamowski K.

• Department of Civil Engineering, University of Ottawa, Ottawa, Canada

autor

Adamowski J.F.

• Department of Bioresource Engineering, McGill University, Quebec, Canada

autor

Seidou O.

• Department of Civil Engineering, University of Ottawa, Ottawa, Canada

autor

Ozga-Zielinski B.

• Department of Environment Protection and Development, Warsaw University of Technology, Warsaw, Poland

Bibliografia

• ADAMOWSKI J., ADAMOWSKI K., PRO-KOPH A. 2013: A spectral analysis based methodology to detect climatological influences on daily urban water demand, Math. Geosci. 45, 49-68.
• ADAMOWSKI J., CHAN H.F. 2011: A wavelet neural network conjunction model for groundwater level forecasting. J. Hydrol. 407, 28-40.
• ADAMOWSKI J., KARAPATAKI C. 2010: Comparison of multivariate regression and artificial neural networks for peak urban water-demand forecasting: evaluation of different ANN learning algorithms. J. Hydrol. Engg. 15(10), 729-743.
• ADAMOWSKI J., SUN K. 2010: Development of a coupled wavelet transform and neural network method for flow forecasting of non-perennial rivers in semi-arid watersheds. J. Hydrol. 390, 85-91.
• ADAMOWSKI J., CHAN H.F., PRASHER S.O., OZGA-ZIELINSKI B., SLIU-SARIEVA A. 2012: Comparison of multiple linear and nonlinear regression, autoregressive integrated moving average, artificial neural network, and wavelet artificial neural network methods for urban water demand forecasting in Montreal, Canada. Water Resour. Res. 48, W01528. doi:10.1029/2010WR009945.
• BOUGADIS J., ADAMOWSKI K., DI-DUCH R. 2005: Short-term municipal water demand forecasting. Hydrol. Processes 19, 137-148.
• City of Calgary 2011: Civic Census Results. Election and Information Services, Calgary, Canada.
• EFRON B. 1979: Bootstrap methods: another look at the jackknife. Ann. Statist. 7(1), 1-26.
• JIA Y., CULVER T.B. 2006: Bootstrapped artificial neural networks for synthetic flow generation with a small data sample. J. Hydrol. 331, 580-590.
• MALLAT S.G. 1989: A theory for multi resolution signal decomposition: the wavelet representation. IEEE Trans. Pattern Anal. Machine Intel. 11(7), 674-693.
• TIWARI M.K., ADAMOWSKI J.F. 2013: Urban water demand forecasting and uncertainty assessment using ensemble wavelet-bootstrap-neural network models. Water Resour. Res. 49 (10), 6486-6507.
• TWOMEY J., SMITH A. 1998: "Bias and variance of validation methods for function approximation neural networks under conditions of sparse data. IEEE Trans. Syst. Man Cybernet Part C: Appl. Rev. 28(3), 417-430.

Identyfikatory

DOI

10.2478/sggw-2014-0016