Makine öğrenme algoritmaları ile su tüketim miktarlarının tahmini: Kocaeli örneği

Su kaynaklarının etkin yönetimi ve sürdürülebilir kullanımı, günümüzün en kritik çevresel ve ekonomik sorunlarından biridir. Su kaynaklarının yönetimi, sadece mevcut ihtiyaçları karşılamakla sınırlı olmayıp, gelecekteki nesillerin de suya erişimini garanti altına almayı hedeflemektedir. Bununla birlikte, iklim değişikliği, aşırı hava olayları ve su talebindeki artış, bu yönetimi daha karmaşık hale getirmektedir. Su yönetimi, tarım, endüstri ve evsel kullanım gibi farklı sektörlerin ihtiyaçlarına yanıt vermek zorundadır ve bu da karmaşık bir planlama sürecini gerektirir. Artan nüfus, kentleşme ve iklim değişikliği gibi faktörler, su kaynaklarının yönetimini giderek daha karmaşık hale getirmektedir. Bu bağlamda, su tüketim miktarlarının doğru tahmini, su dağıtım sistemlerinin planlanması ve yönetimi açısından büyük önem taşımaktadır. Doğru tahminler, su kaynaklarının optimal kullanımı ve gereksiz israfın önlenmesi açısından hayati önem taşır. Su dağıtım ağlarında yaşanabilecek kayıpların önceden belirlenmesi ve su talebindeki ani değişimlere hızlı cevap verebilmek, su yönetiminin sürdürülebilirliğini artıran unsurlar arasındadır. Ayrıca, su tüketim tahminleri, altyapı yatırımlarının planlanması ve uzun vadeli stratejik kararların alınmasında önemli bir rol oynar. Bu çalışma, yapay zeka tekniklerini kullanarak su tüketim miktarlarının tahmin edilmesini amaçlamaktadır. Çalışmanın temel amacı, Kocaeli ilindeki farklı abone türlerinin (konut, ticari, resmi) su tüketim davranışlarını modelleyerek, daha doğru ve güvenilir tahminler üretmektir. Araştırmada, Kocaeli Su ve Kanalizasyon İdaresi Genel Müdürlüğü'nden (İSU) elde edilen veriler kullanılmıştır. Bu veriler, bölgedeki su tüketim alışkanlıklarını yansıtan kapsamlı bir veri seti sunmaktadır. 2016 Ocak ile 2022 Ağustos arasındaki dönemde, 5000 abonenin (3447 konut, 1422 ticari ve 131 resmi) aylık su tüketim verileri analiz edilmiştir. Bu abonelerin su tüketim alışkanlıkları, farklı özelliklerine (abone türü, tarife tipi, faaliyet alanı vb.) göre incelenmiştir. Özellikle konut abonelerinin aylık su tüketim tahminlerinin diğer gruplara göre daha düşük performans göstermesi nedeniyle, bu abone grubuna odaklanılmıştır. Konut abonelerinin tahmin performansını iyileştirmek amacıyla, günlük su tüketimi verilerine sahip 33 konut abonesine ait 3 Eylül 2019 ile 5 Kasım 2021 tarihleri arasındaki veriler de çalışmaya dahil edilmiştir. Günlük veriler, su tüketimindeki kısa vadeli değişimleri daha doğru bir şekilde yakalayabilmek ve tahmin performansını artırmak için kullanılmıştır. Bu veri seti, her aboneye ait günlük toplam su tüketim değerlerini, meteorolojik (sıcaklık, yağış, nem vb.) ve sosyo-ekonomik verileri (hafta sonları, tatil günleri, COVID-19 pandemisi vb.) içermektedir. Veri kalitesini sağlamak amacıyla, eksik veya tutarsız verilere sahip aboneler analiz dışı bırakılmıştır. Veriler, tahmin modellerine uygun şekilde hazırlanarak günlük tüketim tahminlerinde kullanılabilir hale getirilmiştir. Veri seti, farklı abone türlerini (konut, ticari, resmi) içermekte ve çeşitli faktörleri kapsamaktadır. Bu faktörler arasında tarife türleri, faaliyet türleri, hava durumu verileri, mevsimsellik ve COVID-19 pandemi verileri yer almaktadır. Çalışmada, bu faktörlerin su tüketimi üzerindeki önem dereceleri analiz edilmiş ve su tüketimini etkileyen en kritik unsurlar belirlenmiştir. Ayrıca, su talebinin mevsimsel olarak nasıl değiştiğini anlamak için sıcaklık, yağış miktarı ve nem oranı gibi meteorolojik değişkenler değerlendirilmiştir. Pandemi süresince değişen su tüketim alışkanlıkları ise özellikle konut aboneleri üzerinde belirgin bir etki yaratmış, ticari ve resmi aboneler arasında su kullanımında düşüşlere yol açmıştır. Çalışmada, Yapay Sinir Ağları (ANN) başta olmak üzere, Uzun Kısa Vadeli Bellek (LSTM) ve Kapılı Tekrarlayan Birimler (GRU) gibi çeşitli yapay zeka teknikleri uygulanmıştır. ANN modeli, girdi değişkenleri arasındaki karmaşık ilişkileri modelleme yeteneği ve farklı aktivasyon fonksiyonları ile ağ yapılarıyla uyarlanabilir olması nedeniyle tercih edilmiştir. Derin Öğrenme (DL) yaklaşımları da değerlendirilmiş, ancak ana odak noktası ANN modeli olmuştur. Veri artırma (data augmentation) teknikleri kullanılarak modelin farklı senaryolara uyum sağlaması ve daha tutarlı tahminler yapabilmesi hedeflenmiştir. Geliştirilen modeller, su tüketimini etkileyen faktörleri girdi olarak kullanarak, gelecekteki su tüketim miktarlarını tahmin etmek üzere eğitilmiştir. Veri ön işleme aşamasında, eksik verilerin tamamlanması, aykırı değerlerin tespiti ve giderilmesi, ve veri normalizasyonu gibi teknikler uygulanmıştır. Modellerin eğitimi için veri seti, eğitim, doğrulama ve test setlerine ayrılmıştır. Modellerin performansı, çeşitli istatistiksel metrikler (R², MSE, RMSE, MAE) kullanılarak değerlendirilmiştir. Sonuçlar, özellikle ANN modelinin, ticari ve resmi aboneler için yüksek doğrulukta tahminler yapabildiğini göstermiştir. Konut aboneleri için tahmin performansı nispeten daha düşük olmakla birlikte, yine de anlamlı sonuçlar elde edilmiştir. Pandemi döneminde, konut abonelerinin su tüketiminde belirgin bir artış gözlemlenirken, ticari ve resmi abonelerde düşüş yaşanmıştır. Çalışma kapsamında, farklı yapay zeka tekniklerinin performansları karşılaştırılmış ve her bir tekniğin güçlü ve zayıf yönleri analiz edilmiştir.