Traducido del inglés al español - www.onlinedoctranslator.
com
Predicción de la demanda de agua mediante vector de soporte
Regresión de la máquina
Amrita Tamang
Departamento de Ingeniería y Ciencias de la Computación
Cristo (Considerado Universidad)
Bangalore, India
amrita.tamang@mtech.christuniversity.in
Abstracto— El agua es un recurso fundamental para el desarrollo
económico y social sostenible de un país. Para mantener la salud y la higiene,
la energía y los productos agrícolas, y la gestión del medio ambiente, el agua
juega un papel clave. La predicción de la demanda de agua es esencial para
analizar los requisitos que indican un estado de emergencia para las
decisiones de gestión del agua. Este artículo explora los datos de uso de agua
para las plantas lecheras para comprender los patrones espaciales y
temporales de los requisitos futuros de agua y optimizar la estimación de la
demanda de agua. Utiliza el concepto de algoritmos de aprendizaje
automático para comparar y lograr un sistema eficaz y confiable para la
predicción del agua.
Palabras clave: predicción de la demanda de agua, aprendizaje automático,
inteligencia artificial, regresión automática de vectores de soporte
yo yoNTRODUCCIÓN
El agua es un factor importante para el desarrollo económico y
social, donde juega un papel vital para mantener la salud, generar
energía, el crecimiento de los productos agrícolas, crear oportunidades
y gestionar el medio ambiente. La disponibilidad de la gestión del agua
afecta a cada individuo, desde las industrias en crecimiento hasta las
aldeas pobres.
La predicción del agua es una función no lineal y no estacionaria
que está influenciada por varios factores, como las condiciones
geográficas y climáticas y la utilización del agua en diferentes campos
para diversos fines [1]. Por lo tanto, existe el desafío de construir un
modelo de pronóstico dinámico, robusto y adaptable que pueda
proporcionar la capacidad de predecir con precisión el uso de agua bajo
demanda.
A partir del uso actual en el sector del agua de la India, se estima que
se requiere una inversión por valor de 13 mil millones de dólares. A
diferencia de la previsión meteorológica, la predicción de la demanda de
agua es la aplicación que se realiza a partir de la recopilación de datos
cuantitativos que se miden a partir de diferentes unidades de consumo,
medidores de la red de distribución de agua facilitada en cada región del
mundo. El reciente avance en el campo del aprendizaje automático (ML) ha
realizado un importante análisis computacional de las Redes de Distribución
de Agua (WDN).
La Inteligencia Artificial (IA) también ha demostrado ser una herramienta
versátil para el aprendizaje adaptativo y la toma de decisiones sobre patrones
complejos ampliamente utilizados para la predicción del agua con precisión.
978-1-5386-9319-3/19/$31.00 ©2019 IEEE
Uso autorizado con licencia limitado a: Universidade Estadual de Campinas. Descargado el 9 de marzo de 2024 a las 23:22:36 UTC desde IEEE Xplore. Se aplican restricciones.
Samiksha Shukla
Departamento de Ingeniería y Ciencias de la Computación
Cristo (Considerado Universidad)
Bangalore, India
samiksha.shukla@christuniversity.in
para la demanda a corto, mediano y largo plazo en redes de
distribución de agua [2,3].
Para medir una estimación precisa de la demanda de agua, es
necesario contar con un algoritmo de autoaprendizaje totalmente dinámico
y adaptativo. Este artículo evalúa de cerca diferentes algoritmos existentes
utilizados para la predicción y su análisis de rendimiento para determinar la
precisión.
II. REXALTADOW.ORCOS
La predicción de la demanda de agua a corto plazo es útil para
fomentar el ahorro de agua. En [1] los autores analizan la extracción de
datos de series temporales que podrían ser el área de interés en
predicciones futuras. Se han descrito estudios sobre varios algoritmos
de agrupamiento para resolver el problema.
En [2] SEOet alpresenta un modelo híbrido de una máquina de
aprendizaje extremo (ELM) y una descomposición en modo variacional
(VMD) para pronosticar instalaciones de suministro de agua a corto
plazo. El rendimiento del modelo propuesto fue mejor en comparación
con la red neuronal artificial (ANN) y ELM. En [3], el autor presenta un
enfoque de dos etapas basado en un algoritmo de agrupamiento de
series de tiempo y un análisis de regresión de máquina de vectores de
soporte para la predicción horaria. El modelo de comparación ayuda a
detectar anomalías o posibles fraudes en escenarios en tiempo real.
Para mejorar la práctica de las instalaciones de demanda de agua
urbana, el artículo [4] presenta una descripción general de varios
métodos y modelos para la aplicación práctica. Entre los modelos
existentes, ANN se ha adoptado con frecuencia.
La metodología híbrida adoptada en el artículo [5] también ha
mejorado los resultados, específicamente los datos de series de tiempo
no lineales y no estacionarios. En [6] Ajay et al. El estudio estudiado
integra la estrategia MPC con el enfoque estadístico y de aprendizaje
automático existente para predecir y operar la gestión óptima del flujo
de la red de agua potable a gran escala.
Shinea et al. [7] muestran los resultados para analizar el alcance de los
algoritmos de aprendizaje automático que se aplican para la predicción
mensual del consumo de electricidad y agua en las granjas lecheras. Esta
metodología introducida en el estudio dado puede mejorar la precisión de la
predicción de la regresión lineal múltiple. Por lo tanto, la
La mejora en los algoritmos de aprendizaje automático es capaz de
determinar la relación de series de tiempo no lineales con respecto a las
variables de entrada y las variables objetivo de salida. El algoritmo de
aprendizaje supervisado de la red neuronal de propagación hacia atrás
utilizado en el artículo [8] verifica un modelo eficaz para construir una
estimación de la demanda de agua en un edificio residencial. Por lo tanto, la
construcción de un modelo confiable desempeña un papel útil para la
gestión del agua y la planificación de las políticas de suministro de agua.

Recientemente, en [9] se han adoptado ampliamente muchos métodos

de IA junto con la red neuronal artificial dinámica (DANN) para pronosticar
los datos de la demanda de agua. El autor proporciona una excelente
precisión en los resultados del modelo en series de todos los tiempos. Los
resultados de precisión demuestran mejores horizontes generales de series
de tiempo en comparación con el método convencional de media móvil
integrada autorregresiva (ARIMA) y ANN.
La capacidad de mapear el modelo de regresión de máquina de
vectores de soporte (SVR) adaptativo no lineal se ha combinado en el artículo
[10] para realizar una predicción sólida. Los resultados del enfoque del
modelo de regresión de vectores de soporte de estructura variable (VS-SVR)
propuesto mejoraron el rendimiento de precisión para una gestión óptima
del suministro de recursos hídricos urbanos. Monitorear el uso de la
distribución de agua explicado en [11] es útil para comprender la tendencia
del agua con el fin de operar de manera más eficiente. El autor explicó la
comparación del análisis de distribución del patrón de flujo aplicado a los
datos de los medidores del cliente.
La recopilación de datos generados a partir de medidores inteligentes o de la
infraestructura de medición avanzada (AMI) ayudaría a generar un gran conjunto
de datos que puede proporcionar nuevos conocimientos para monitorear con
precisión el comportamiento del cliente [12]. La técnica de agrupación de series
temporales aplicada al conjunto de datos demostró tendencias similares durante
los días laborables y los fines de semana. El análisis de dichos conjuntos de datos
puede resultar útil para diversos enfoques analíticos.
Los métodos de aprendizaje automático pudieron proporcionar
mejores predicciones a largo plazo e incertidumbres en el gran conjunto de
datos espacio-temporales presentado en [13]. Es muy necesario mejorar la
recopilación de datos y los métodos para aumentar la confiabilidad de
predecir con precisión el consumo de agua.
En particular, los resultados de la regresión SVM fueron efectivos
comparativamente con las RNA, los bosques aleatorios, la regresión
adaptativa multivariada y los basados en patrones ponderados para
implementar la predicción del uso de agua por horas.
Fig. 1. Modelo de datos para predicción.
y estimar la demanda de agua es la aplicación clave que
describe las metodologías adoptadas.
A. Modelo de predicción del agua
El flujo del modelo de datos de predicción de la demanda de agua se ilustra
en la Fig. 1. En la industria dada, las unidades de consumo registran el agua
utilizada para el procesamiento que se ha utilizado como conjunto de datos. Los
datos contienen agua consumida enlitrospor día. Después de la adquisición de
conjuntos de datos para el modelo de series temporales, los datos faltantes se
preprocesan si es necesario y luego se modelan para el algoritmo de aprendizaje
automático.
Al obtener los datos adecuados del modelo, los datos procesados se
pueden analizar para realizar estimaciones adicionales. Los pasos del modelo de
datos para la predicción son los siguientes:
• Análisis de requisitos: el análisis de los requisitos del uso del
agua es crucial para gestionar eficientemente los servicios de
agua y satisfacer la creciente demanda en las áreas
industriales.
• Recopilación de datos: para un análisis preciso, la necesidad
básica es la recopilación de datos adecuada. En esta fase se
recogen los datos de los caudalímetros.
• Fase de Diseño: En esta fase los modelos se diseñan utilizando los
datos de series de tiempo para el consumo de agua. Los datos
recopilados se filtran para su análisis. Los datos procesados se
utilizan para la predicción.
• Fase de predicción: en esta fase se selecciona una técnica de
predicción eficaz para obtener precisión en el resultado
previsto.

III. W.ATERDEMANDOMETROETODOLOGÍA • Fase de Análisis: El principal objetivo de la

predicción es analizar la operación según los datos
El análisis de datos ayuda a comprender la naturaleza de los datos que
previstos.
se pueden utilizar para obtener más información a partir de los datos
históricos. Estos datos se pueden comparar con datos reales para realizar TABLA I. DAILYCCONSUMOohFW.ATERUd.SABIO
predicciones. El campo multidisciplinario de la ciencia de datos combina el
Consumo total de agua porlitros
estudio de datos mediante un método estadístico, aprendizaje automático, Unidades
Unidad I Unidad II Unidad III
inteligencia artificial y tecnología de bases de datos. Aprovechar estos
Total
factores para construir el sistema que pueda predecir eficazmente 19839500 1306338 1416624
Consumo
Consumo total de tres unidades diferentes.

Uso autorizado con licencia limitado a: Universidade Estadual de Campinas. Descargado el 9 de marzo de 2024 a las 23:22:36 UTC desde IEEE Xplore. Se aplican restricciones.
 Fig 3. Regresión del vector de soporte (SVR)
Fig. 2 Modelo de series temporales de consumo de agua.

IV. miEXPERIMENTALAANÁLISIS En este experimento, los datos recopilados se utilizan para

A. Conjunto de datos
El análisis de este estudio se basa en los datos de uso de agua
que se registraron en la industria láctea. Este trabajo utiliza 90 días
de consumo diario para encontrar el requerimiento real de
demanda de agua con respecto a la demanda promedio en la
industria láctea. Estos datos de consumo se recopilaron de tres
tipos de unidades diferentes, como la Unidad I, la Unidad II y la
Unidad III. En la Tabla 1 se muestra la información de unidades de
consumo total por día por litros en la industria en el tiempo dado.
El objetivo de un modelo predictivo es básicamente
estimar el valor de una variable desconocida. Después de
recopilar el conjunto de datos apropiado, se creó un modelo
de serie temporal para comprender el patrón de uso. La Fig. 2,
representa el patrón de uso sobre el modelo de series
temporales obtenido respecto a la fecha.
Luego de establecer el modelo de horizonte de series de
tiempo, se puede observar que no hay mucha variación en la
tendencia con respecto al tiempo. Para realizar un análisis en
profundidad del modelo, se puede dividir en uso diario y patrón
horario.
determinar la estimación de 10 días del conjunto de datos de
prueba. Al principio, se utilizaron observaciones de 80 días para el
modelo de entrenamiento y el resto se eligió como conjunto de
datos de prueba. Para validar los datos pronosticados, primero se
analizaron los datos de entrenamiento y se registraron el consumo
real y previsto. La Fig. 4 muestra el consumo de agua real y
previsto (litros).
Se observa que el modelo SVR predijo valores casi cercanos a
los reales. Para construir el modelo se aplican datos de diferencia
temporal. Para hacerlo más categórico, el conjunto de datos se
clasificó en días laborables y fines de semana. Para este caso, cada
hora del día es la variable categórica basada en turnos. En el
análisis se considera como mínimo un consumo inferior a 400
litros por hora y como máximo superior a 900 litros por hora.
Dado que se trata de una serie de tiempo, el requisito es predecir
el consumo total y de la próxima hora en un escenario diario y
mensual. Por lo general, la duración de un turno de trabajo en una
granja lechera debe ser de 24 horas, según el horario de la
industria. Después de aplicar el turno de trabajo, se obtuvo el
consumo horario de algunos días durante un mes como se
muestra en la Fig. 5.

B. Método de evaluación

Utilizando el aprendizaje supervisado de la técnica de regresión

automática de vectores de soporte (SVR), el consumo de agua de
diferentes unidades se utiliza como conjunto de datos de entrada. El
propósito del modelo SVR es que se pueden realizar tanto la regresión
como la clasificación [14, 15]. El objetivo de utilizar este método es
utilizar los datos de series de tiempo para entrenar el modelo para la
predicción. El modelo SVR es muy robusto y superó a otros modelos
estadísticos que requirieron una mayor cantidad de conjuntos de datos
al construir el modelo de entrenamiento. Como se muestra en la Fig. 3,
SVR funciona eficazmente en pequeñas muestras de conjuntos de
entrenamiento y pruebas. Para el procesamiento de los conjuntos de
Fig. 4. Consumo de agua por hora real versus previsto
datos, se utiliza el kernel de función de base radial (RBF).

Uso autorizado con licencia limitado a: Universidade Estadual de Campinas. Descargado el 9 de marzo de 2024 a las 23:22:36 UTC desde IEEE Xplore. Se aplican restricciones.

Fig. 5. Consumo de agua mensual observado versus previsto
Fig. 6. Consumo de agua diario real versus previsto
C. Resultados y discusiones
Del conjunto de datos de muestra total, el 85% de las observaciones se
utilizaron como datos de entrenamiento y se probaron con el 15% de
muestras. Existen varios tipos de modelos que se pueden utilizar para crear
pronósticos de series temporales en el aprendizaje automático. En
comparación con una red neuronal, SVR con el método del núcleo RBF
proporciona una mayor precisión para el proceso de aprendizaje de los
datos, con un conjunto de datos menor.
Fig. 7. Consumo de agua real y previsto
Uso autorizado con licencia limitado a: Universidade Estadual de Campinas. Descargado el 9 de marzo de 2024 a las 23:22:36 UTC desde IEEE Xplore. Se aplican restricciones.
El modelo de serie temporal mostró que los datos eran
estacionarios y tenían patrones similares durante el período
de tiempo en el que se observó el patrón de uso. Para
comprender la precisión de los valores pronosticados, se
realiza una comparación entre el consumo previsto con el
consumo real de la serie temporal por hora y por día.
En general, la predicción se alinea con los valores reales. El
modelo definido predice la diferencia de valores entre pasos de tiempo,
lo que proporciona resultados de pruebas más sólidos. Los datos de
series temporales observados tienden a estar correlacionados en el
tiempo, lo que muestra una autocorrelación significativa. Para este
caso, el índice en el momentot+1es muy probable que esté cerca del
índice en ese momentot. Para ser más precisos, la precisión del modelo
se evalúa trazando los valores reales frente a los predichos, como se
ilustra en la Fig. 7, y se calcula la métrica de error R.2. La R obtenida2
puntuación de 0,849, que aparentemente coincide bien con los
valores de consumo reales y previstos. El error cuadrático medio
(MSE) de la métrica de error mide la diferencia cuadrática
promedio entre los valores estimados y reales. El error cuadrático
medio (RMSE) predijo el consumo de agua promedio por hora en
el conjunto de prueba dentro de 72,33 de los valores reales. Por lo
tanto, en promedio, el consumo de agua oscila entre 400 litros y
1000 litros por hora. Este modelo se ajustaba mucho más a los
valores predichos.
VCONCLUSIÓN
Este artículo intentó modelar el consumo previsto de agua
utilizando SVR relacionado con el patrón de uso de agua de una
industria láctea para la producción. En comparación con la red
neuronal, el modelo SVR proporcionó una mayor precisión. Este
modelo mostró el consumo total que demuestra el uso de agua
para la industria con el fin de comprender el suministro de agua
requerido. En el futuro, se podrá tener más en cuenta la
caracterización para construir un modelo más preciso.
REFERENCIAS
[1] V. Kavitha y M. Punithavalli, “Agrupación de flujos de datos de series temporales: un
estudio de la literatura”,Revista Internacional de Ciencias de la Computación y
Seguridad de la Información (IJCSIS), vol. 8, pág. 289-294, 2010.
[2] Y. Seo, S. Kwon y Y.Choi, “Modelo de pronóstico de la demanda de agua a
corto plazo que combina descomposición en modo variacional y
máquina de aprendizaje extremo”.Revista de Hidrología, MDPI, vol. 5,
54; doi:10.3390, 2018.
[3] Antonio Candelieri, “Agrupación y regresión de vectores de soporte para la previsión
de la demanda de agua y la detección de anomalías”.MDPI/Diario/Agua, vol.9,
p.224, 2017.
[4] Emmanuel A. Donkor, SMASCE, Thomas A. Mazzuchi, Refik Soyer3 y J. Alan
Roberson, PE, “Pronóstico de la demanda de agua urbana: revisión de
métodos y modelos”.Revista de planificación y gestión de recursos
hídricos © Asce,vol. 140:146-159, 2014.
[5] Ani Shabri y Ruhaidah Samsudin, “Descomposición en modo empírico: máquina de
vectores de soporte de mínimos cuadrados basada en la previsión de la demanda
de agua.", En t. J. Aplicación avanzada de informática suave, vol. 7, núm. 2, ISSN
2074-2827, 2015.
[6] Ajay Kumar Sampathirao, Juan Manuel Grosso, Pantelis Sopasakis, Carlos
Ocampo-Martine, Alberto Bemporad y Vicenc Puig, “Previsión de la demanda
de agua para el funcionamiento óptimo de redes de agua potable a gran
escala: el estudio de caso de Barcelona”.XIX Mundial de la IFAC
 Congreso, Ciudad del Cabo, Sudáfrica,págs.10457-10462. ISBN
978-3-902823-62-5, 2014.
[7] P. Shinea, MD Murphya, J. Uptonc y T. Scully, "Algoritmos de aprendizaje
automático para predecir el consumo directo de agua y electricidad en
granjas lecheras con pastos".Revista de Computación y Electrónica en
Agricultura, © 2018 Elsevier, 0168-1699, 2018.
[8] Dongjun Suh, Hyunyoung Kim y Jinsul Kim, “Estimación de la demanda de agua en
edificios residenciales mediante un enfoque de aprendizaje automático”.Quinta
Conferencia Internacional sobre Convergencia y Seguridad de TI (ICITCS) © IEEEvol.
978-1-4673-6537, 2018.
[9] M. Ghiassi. David K. Zimbra y H. Saidane, Previsión de la demanda de agua
urbana con un modelo dinámico de red neuronal artificial,Revista de
planificación y gestión de recursos hídricos © Asce,138-146,2008.
[10] Yun Bai, Pu Wang, Chuan Li, Jingjing Xie y Yin Wang, “Pronóstico dinámico del
consumo diario de agua urbana utilizando un modelo de regresión de
vectores de soporte de estructura variable”.©Sociedad Estadounidense de
Ingenieros Civiles DOI: 10.1061/(ASCE) WR,1943-5452.0000457, 2014.
Uso autorizado con licencia limitado a: Universidade Estadual de Campinas. Descargado el 9 de marzo de 2024 a las 23:22:36 UTC desde IEEE Xplore. Se aplican restricciones.
[11] Lucy M. Ironsa, Joby Boxalla, Vanessa Speighta, Barrie Holdenb y Ben Tamb, “Análisis
basado en datos de datos de medidores de flujo de clientes”,13a Conferencia sobre
control informático para la industria del agua, CCWI, vol. 119p. 834
– 843, 2015.
[12] Jorge E. Pesantez1, Emily Zechman Berglund., Nikhil Kaza, “Modelización y previsión
de la demanda de agua a corto plazo informada por medidores inteligentes”, 1er
Internacional WDSA / CCWI,Conferencia conjunta, Kingston, Ontario, Canadá – 23
al 25 de julio de 2018.
[13] I. Duerr, HR Merrill, C. Wang, R. Bai, M. Boyer, M, D. Dukes y N. Bliznyuk,
“Previsión de la demanda de agua de los hogares urbanos con métodos
estadísticos y de aprendizaje automático utilizando grandes datos de
espacio-tiempo : Un estudio comparativo",Revista de software y modelado
ambiental, © Elsevier Ltd.,vol.102, p.29-38, 2018.
[14] Vapnik, VN, La naturaleza de la teoría del aprendizaje estadístico.Springer, Nueva York, Nueva York,
Estados Unidos, 1995.
[15] Vapnik, VN, La naturaleza de la teoría del aprendizaje estadístico.Springer, Nueva York, Nueva York,
Estados Unidos, 1998.