این سایت در حال حاضر پشتیبانی نمی شود و امکان دارد داده های نشریات بروز نباشند
آب و فاضلاب، جلد ۲۹، شماره ۲، صفحات ۴۸-۵۸
عنوان فارسی پارامترهای هواشناسی اثرگذار بر مصرف آب در بخش خانگی شهر قم
چکیده فارسی مقاله پیش‌بینی مصرف آب و شناسایی عوامل مؤثر بر آن، از گام‌های مهم در مدیریت بحران آب است. پژوهش‌های انجام شده نشان می‌دهد پارامترهای هواشناسی به عنوان مهم‌ترین گروه در زمینه برآورد کوتاه مدت مصرف آب در نظر گرفته شده‌اند. در این پژوهش با استفاده از روش رگرسیون وارون قطعه‌ای خوشه‌بندی شده به شناسایی متغیرهای هواشناسی اثرگذار بر مصرف آب خانگی شهر قم پرداخته شد. با استفاده از این روش علاوه بر کاهش بعد، می‌توان مسئله همخطی را نیز رفع نمود. داده‌ها شامل هفت پارامتر هواشناسی و مصرف آب خانگی ماهانه طی سال‌های 1380 تا 1392 بود. تحلیل داده‌ها نشان داد که می‌توان به جای هفت متغیر اولیه تنها از دو مولفه جدید که ترکیبی خطی از متغیرهای مستقل هستند، استفاده نمود. در مؤلفه اول حداکثر سرعت وزش باد و رطوبت نسبی دارای بار منفی (757/0 و 4/0) و در مؤلفه دوم میانگین حداقل دما دارای بار منفی (753/0) و متوسط دمای هوا با بار مثبت (634/0) بیشترین تأثیر را بر مؤلفه‌ها داشتند. نتایج رگرسیون روی این متغیرها، معنی‌داری حداقل میانگین دما با ضریب 018/0 و حداکثر سرعت وزش باد با ضریب 004/0- و ضریب تعیین 92 درصد را نشان داد. مقایسه روش پیشنهادی در این پژوهش با روش معمول آنالیز مؤلفه اصلی در تحلیل داده‌های چند متغیره، نشان از خطای کمتر رگرسیون وارون قطعه‌ای خوشه‌بندی شده دارد و همچنین با توجه به تأثیر همخطی بر نتایج شبکه عصبی، روش ارائه شده عملکرد بهتری نسبت به روش‌های معمول پیش‌بینی مصرف آب دارد.
کلیدواژه‌های فارسی مقاله کاهش بعد، رگرسیون وارون قطعه‌ای، خوشه‌بندی، همخطی،
عنوان انگلیسی Identification of Meteorological Parameters Affecting Water Consumption in Household Sector of Qom
چکیده انگلیسی مقاله Prediction of water consumption and its effective factors is an important step in water crisis management. Studies showed that meteorological parameters are considered as the most important factor for short-term prediction of water consumption. In this research, cluster-based sliced inverse regression method was used to identify the meteorological variables affecting the household water consumption in Qom. In addition to dimension reduction, this method can be used to remove collinearity. The data consisted of seven meteorological parameters and monthly household water consumption from 2001 to 2013. Data analysis indicated that instead of seven primary variables, only two new components which are linear combinations of independent variables can be used. The negatively charged maximum wind speed and relative humidity (0.757 and 0.4) of the first component, and the negatively charged average minimum temperature (0.753) and positively charged average air temperature (0.634) of the second component had the greatest impact on the components. The regression analysis indicated that the average minimum temperature coefficient 0.018, the maximum wind speed coefficient -0.004, and determination coefficient 0.92% are significant. Comparing the method proposed in this paper with the usual method of principal component analysis (PCA) for multivariate data analysis indicated that cluster-based sliced inverse regression has fewer errors. Moreover, noticing the impact of collinearity on the outputs of neural networks, the method proposed in this paper had better performance than the usual methods and consequently predicts water consumption.
کلیدواژه‌های انگلیسی مقاله
نویسندگان مقاله قاسم امینی |
کارشناس ارشد آمار، شرکت آب و فاضلاب شهری استان قم

زهره سعیدی |
کارشناس ارشد آمار اقتصادی و اجتماعی، دانشکده علوم ریاضی و کامپیوتر، دانشگاه شهید چمران اهواز

نشانی اینترنتی http://www.wwjournal.ir/article_50756_8a2e898072d9b78070fdb36c7a0f16d3.pdf
فایل مقاله اشکال در دسترسی به فایل - ./files/site1/rds_journals/549/article-549-578682.pdf
کد مقاله (doi)
زبان مقاله منتشر شده fa
موضوعات مقاله منتشر شده
نوع مقاله منتشر شده
برگشت به: صفحه اول پایگاه   |   نسخه مرتبط   |   نشریه مرتبط   |   فهرست نشریات