Predição do consumo de água por categoria de consumo: um estudo de caso

Autores

DOI:

https://doi.org/10.5902/2179460X33910

Palavras-chave:

Consumo de água, Modelos de séries temporais, Previsão do consumo de água, Modelo Bayesiano, Métodos MCMC

Resumo

Este estudo introduz um novo modelo bayesiano de previsão para o consumo de água em um município de médio porte do Estado de São Paulo, Brasil. Para o estudo, foi selecionada uma amostra aleatória estratificada de consumidores classificados em diferentes categorias (residencial, industrial, pública e comercial) considerando 55 medições consecutivas mensais do consumo de água para cada consumidor. O modelo proposto é comparado com alguns modelos usuais de séries temporais (modelos de médias móveis e modelos ARIMA) comumente usados em previsões. O modelo Bayesiano para os dados de consumo pressupõe a presença de um efeito aleatório que captura a possível dependência entre o consumo mensal para as diferentes categorias. Uma análise Bayesiana hierárquica é feita usando métodos MCMC (Monte Carlo em Cadeias de Markov) para gerar amostras da distribuição a posteriori conjunta de interesse. Uma discussão detalhada dos resultados obtidos são apresentados, mostrando as vantagens e desvantagens de cada modelo proposto em termos de viabilidade para o empresa de abastecimento de água do município. Os resultados deste estudo podem ser generalizados para dados de consumo de água para qualquer outro município.

Downloads

Não há dados estatísticos.

Biografia do Autor

Jorge Alberto Achcar, Universidade de São Paulo, Ribeirão Preto, SP

Jorge Alberto Achcar ;BS mathematics, (UNESP), SJRP, SP, 1971, Brazil;  Ms statistics, IME-USP, SP, 1976, Brazil; PhD statistics University of Wisconsin-Madison, USA, 1982

Marcos Valerio Araujo, Universidade de Araraquara, Araraquara, SP

Marcos Valério de Araujo. Possui graduação em tecnologia sanitária pela UNICAMP em 1997, MBA em Gestão Empresarial pela FGV em 2002, aluno do Mestrado Profissional em Engenharia de Produção na UNIARA, atua no setor de saneamento básico por 22 anos onde é responsável pela Operação (captação, tratamento e distribuição de água e coleta, tratamento e destinação do efluente), Gestão dos Serviços, Gestão Comercial e Plano de Negócio da companhia envolvendo todo o planejamento, acompanhamento econômico e financeiro, receitas, custos e programa de investimentos de concessões privadas.

Claudio Luis Piratelli, Universidade de Araraquara, Araraquara, SP

Claudio Luis Piratelli has degree in Production Engineer – UFSCar – Federal University of São CarloS, SP São Carlos, 1998; MSc Regional Development, University of Araraquara, 2005;  PhD in Aeronautical and Mechanics engineering, Production area, Aeronautics Institute of Technology – ITA (2010)

Ricardo Puziol de Oliveira, Universidade de São Paulo, SP

Ricardo Puziol de Oliveira has degree in Mathematics - UEM - Maringá State University; MSc Biostatistics, Maringá State University, 2016; PhD in Biostatistics, Medical School of Ribeirão Preto, University of São Paulo (USP), 2019.

Referências

Akgün, B. (2003). Identification of periodic autoregressive moving average models. PhD thesis. Middle East Technical University.

Altunkaynak, A., Özger, M., Çakmakci, M. (2005). Water consumption prediction of istanbul city by using fuzzy logic approach. Water Resources Management, 19(5), 641–654.

Aly, A. H., Wanakule, N. (2004). Short-term forecasting for urban water consumption. Journal of water resources planning and management, 130(5), 405–410.

Amaral, A. M. P., Shirota, R. (2000). Mean residential consumption of treated water: an application of time series models in piracicaba (in portuguese). Revista Agrícola, 49(1), 55–72.

Balling, R. C., Gober, P., Jones, N. (2008). Sensitivity of residential water consumption to variations in climate: An intraurban analysis of Phoenix, Arizona. Water Resources Research, 44(10).

Bell, W. R. (1984). An introduction to forecasting with time series models. Insurance: Mathematics and Economics, 3(4), 241–255.

Bougadis, J., Adamowski, K., Diduch, R. (2005). Short-term municipal water demand forecasting. Hydrological Processes: An International Journal, 19(1), 137–148.

Box, G. E., Jenkins, G. M., Reinsel, G. C., Ljung, G. M. (2015). Time series analysis: forecasting and control. John Wiley & Sons.

Casella, G., George, E. I. (1992). Explaining the Gibbs sampler. The American Statistician, 46(3), 167–174.

Chang, H., Parandvash, G. H., Shandas, V. (2010). Spatial variations of single-family residential water consumption in Portland, Oregon. Urban geography, 31(7), 953–972.

Chib, S., Greenberg, E. (1995). Understanding the Metropolis-Hastings algorithm. The american statistician, 49(4), 327–335.

Crommelynck, V., Duquesne, C., Mercier, M., Miniussi, C. (1992). Daily and hourly water consumption forecasting tools using neural networks. Em: Proc. of the AWWA’s annual computer specialty conference, pp. 665–676.

Dias, D., Martinez, C.B., M., Libanio (2010). Evaluation of the impact of income variation on household consumption of water (in portuguese). Engenharia Sanitária Ambiental, 15(2), 155–166.

Feil, A., Haetinger, C. (2014). Prediction of water consumption via mathematical modeling of water supply system (in portuguese). Revista DAE, 195, 32–46.

Fortin, V., Perreault, L., Salas, J. (2004). Retrospective analysis and forecasting of streamflows using a shifting level model. Journal of Hydrology, 296(1-4), 135–163.

Gelfand, A. E., Smith, A. F. (1990). Sampling-based approaches to calculating marginal densities. Journal of the American Statistical Association, 85(410), 398–409.

Gwaivangmin, B., Jiya, J. (2017). Water demand prediction using artificial neural network for supervisory control. Nigerian Journal of Technology, 36(1), 148–154.

Ho, S., Xie, M. (1998). The use of arima models for reliability forecasting and analysis. Computers & Industrial Engineering, 35(1-2), 213–216.

House-Peters, L., Pratt, B., Chang, H. (2010). Effects of urban spatial structure, sociodemographics, and climate on residential water consumption in Hillsboro, Oregon. Journal of the American Water Resources Association, 46(3), 461–472.

Jain, A., Ormsbee, L. E. (2002). Short-term water demand forecast modeling techniques: Conventional methods versus AI. Journal-American Water Works Association, 94(7), 64–72.

Kher, L. K., Sorooshian, S. (1986). Identification of water demand models from noisy data. Water Resources Research, 22(3), 322–330.

Ljung, G. M., Box, G. E. (1978). On a measure of lack of fit in time series models. Biometrika, 65(2), 297–303.

Maidment, D. R., Parzen, E. (1984). Cascade model of monthly municipal water use. Water Resources Research, 20(1), 15–23.

Makki, A. A., Stewart, R. A., Panuwatwanich, K., Beal, C. (2013). Revealing the determinants of shower water end use consumption: enabling better targeted urban water conservation strategies. Journal of Cleaner Production, 60, 129–146.

Montgomery, D. C., Runger, G. C. (2010). Applied statistics and probability for engineers. John Wiley & Sons.

Montgomery, D. C., Jennings, C. L., Kulahci, M. (2015). Introduction to time series analysis and forecasting. John Wiley & Sons.

Morettin, P. A., Toloi, C. M. (1987). Time series forecast (in Portuguese). Atual.

Muhammad, M. K. I. B. (2012). Time Series Modeling Using Markov and Arima Models. PhD thesis. Universiti Teknologi Malaysia.

Narchi, H. (1989). Domestic demand for water (in portuguese). Revista DAE, 154, 1–7.

Nucci, N. L. R. (1983). Assessment of urban water demand. economic and urban aspects. the built area as a possible explanatory and prospective factor (in portuguese). Revista DAE, 135, 22–49.

Perry, P. F. (1981). Demand forecasting in water supply networks. Journal of the Hydraulics Division, 107(9), 1077–1087.

Rhoades, S. D., Walski, T. M. (1991). Using regression analysis to project pumpage. Journal-American Water Works Association, 83(12), 45–50.

Silva, C. S. (2003). Multivariate prediction of hourly water demand in urban water supply systems. PhD thesis. University of São Paulo.

Silva, W. T. P., Silva, L. M., Chichorro, J. F. (2008). Water resources management: Per capita water consumption perspectives in Cuiabá (in portuguese). Engenharia Sanitaria Ambiente, 13(1), 8–14.

Smith, J. A. (1988). A model of daily municipal water use for short-term forecasting. Water Resources Research, 24(2), 201–206.

Spiegelhalter, D., Thomas, A., Best, N., Lunn, D. (2003). Winbugs user manual.

Stark, H.L., Stanley, S.J., Buchanan, I.D., (2000). The Application of Artificial Neural Networks to Water Demand Modelling. In: CSCE 28th Annual Conference, London, Ont. , 7-10.

Thomas, S. P. (2000). Prediction of Water Consumption: Interface of Water and Sewage Installations with public services (in Portuguese). Navegar Editora.

Willis, R. M., Stewart, R. A., Giurco, D. P., Talebpour, M. R., Mousavinejad, A. (2013). End use water consumption in households: impact of socio-demographic factors and efficient devices. Journal of Cleaner Production, 60, 107–115.

Wong, J. S., Zhang, Q., Chen, Y. D. (2010). Statistical modeling of daily urban water consumption in hong kong: Trend, changing patterns, and forecast. Water resources research, 46(3).

Zhou, S., McMahon, T., Walton, A., Lewis, J. (2002). Forecasting operational demand for an urban water supply zone. Journal of hydrology, 259(1-4), 189–202.

Zhou, S. L., McMahon, T. A., Walton, A., Lewis, J. (2000). Forecasting daily urban water demand: a case study of melbourne. Journal of hydrology, 236(3-4), 153–164.

Downloads

Publicado

2020-12-23

Como Citar

Achcar, J. A., Araujo, M. V., Piratelli, C. L., & Oliveira, R. P. de. (2020). Predição do consumo de água por categoria de consumo: um estudo de caso. Ciência E Natura, 42, e110. https://doi.org/10.5902/2179460X33910

Edição

v. 42 (2020): CIÊNCIA E NATURA: Edição Comemorativa – 40 ANOS

Seção

Estatística

Licença

Para acessar a DECLARAÇÃO DE ORIGINALIDADE E EXCLUSIVIDADE E CESSÃO DE DIREITOS AUTORAIS clique aqui.

 

Diretrizes Éticas para Publicação de Revistas

A revista Ciência e Natura está empenhada em garantir a ética na publicação e na qualidade dos artigos.

A conformidade com padrões de comportamento ético é, portanto, esperada de todas as partes envolvidas: Autores, Editores e Revisores.

Em particular, 

Autores: Os Autores devem apresentar uma discussão objetiva sobre a importância do trabalho de pesquisa, bem como detalhes e referências suficientes para permitir que outros reproduzam as experiências. Declarações fraudulentas ou intencionalmente incorretas constituem comportamento antiético e são inaceitáveis. Artigos de Revisão também devem ser objetivos, abrangentes e relatos precisos do estado da arte. Os Autores devem assegurar que seu trabalho é uma obra totalmente original, e se o trabalho e / ou palavras de outros têm sido utilizadas, isso tem sido devidamente reconhecido. O plágio em todas as suas formas constitui um comportamento publicitário não ético e é inaceitável. Submeter o mesmo manuscrito a mais de um jornal simultaneamente constitui um comportamento publicitário não ético e é inaceitável. Os Autores não devem submeter artigos que descrevam essencialmente a mesma pesquisa a mais de uma revista. O Autor correspondente deve garantir que haja um consenso total de todos os Co-autores na aprovação da versão final do artigo e sua submissão para publicação.

Editores: Os Editores devem avaliar manuscritos exclusivamente com base no seu mérito acadêmico. Um Editor não deve usar informações não publicadas na própria pesquisa do Editor sem o consentimento expresso por escrito do Autor. Os Editores devem tomar medidas de resposta razoável quando tiverem sido apresentadas queixas éticas relativas a um manuscrito submetido ou publicado.

Revisores: Todos os manuscritos recebidos para revisão devem ser tratados como documentos confidenciais. As informações ou ideias privilegiadas obtidas através da análise por pares devem ser mantidas confidenciais e não utilizadas para vantagens pessoais. As revisões devem ser conduzidas objetivamente e as observações devem ser formuladas claramente com argumentos de apoio, de modo que os Autores possam usá-los para melhorar o artigo. Qualquer Revisor selecionado que se sinta desqualificado para rever a pesquisa relatada em um manuscrito ou sabe que sua rápida revisão será impossível deve notificar o Editor e desculpar-se do processo de revisão. Os Revisores não devem considerar manuscritos nos quais tenham conflitos de interesse resultantes de relacionamentos ou conexões competitivas, colaborativas ou outras conexões com qualquer dos autores, empresas ou instituições conectadas aos documentos.