Generalized additive model and artificial neural networks for water demand

Abstract

A crescente instabilidade dos padrões climáticos põe em causa a disponibilidade de água potável, tornando-se cada vez mais importante a realização de uma gestão mais eficiente dos recursos hídricos actuais e futuros. Descrevemos e comparamos vários modelos para prever a procura de água, nomeadamente, consideramos os modelos auto-regressivos integrados de médias móveis sazonais (SARIMA), os modelos aditivos generalizados e redes neurais artificiais (RNA). Os modelos são avaliados com base no Erro Absoluto Médio (EAM) e no Erro Percentual Absoluto Médio (EPAM). Os resultados mostram que as RNA conseguem superar os outros métodos considerados. Demonstramos que ao lidar com dados de caudal, as RNA são capazes de ajustar bem os dados e fornecer boas previsões sem dependerem da inclusão de variáveis climatéricas no modelo. Adicionalmente, é feita uma análise exploratória de dados de facturação de água provenientes de uma região do Sul de Portugal. Esta análise tem como objectivo o melhoramento da gestão de recursos assim como o estudo do impacto do envelhecimento do parque de contadores na qualidade das leituras.