Previsão do consumo de água da rede de abastecimento através de modelos de aprendizagem de máquinao : uma análise de dados longitudinais

Abstract

Resumo: Este trabalho apresenta uma abordagem para prever o consumo de água usando modelos de aprendizagem de máquina. Foramrealizados experimentos comparando três modelos: Gradient Boosting Regressor (GBR), Light Gradient BoostingMachine (LGBM) e Random Forest Regressor (RFR). Foi utilizado umconjunto de dados de consumo diário de água de clientes da rede de abastecimento da cidade de Paranaguá-PR. A micromedição foi realizada por meio da instalação de hidrômetros inteligentes, permitindo a coleta remota diária dos dados de consumo. Os modelos foram treinados e testados utilizando técnicas de aprendizado supervisionado e validação cruzada. Os resultados mostraramque a utilização de micromedição em conjunto com os modelos de aprendizagem de máquina resultou em previsões mais precisas do consumo de água. O modelo LGBM obteve umdesempenho ligeiramente superior aos outros dois modelos, alcançando uma menor taxa de erro na previsão. A combinação de micromedição e modelos de aprendizagem de máquina permite uma compreensão mais detalhada e precisa dos padrões de consumo de água. Esses resultados destacam a importância da aplicação de técnicas avançadas de análise de dados e aprendizagem de máquina no contexto do gerenciamento de recursos hídricos. Essa abordagem pode contribuir para a criação de sistemas mais eficientes e sustentáveis de fornecimento e consumo de água.

Abstract: This paper presents an approach to predict water consumption using machine learning models. Experiments were conducted comparing three models: Gradient Boosting Regressor (GBR), Light Gradient BoostingMachine (LGBM), and Random Forest Regressor (RFR). A dataset of daily water consumption from customers in the water supply network of Paranaguá-PR city was utilized. Micro-measurement was performed by installing smartmeters, enabling daily remote collection of consumption data. The models were trained and tested using earning techniques and cross-validation. The results showed that the use of micro-measurement in conjunction with machine learningmodels resulted in more accurate predictions of water consumption. The LGBM model exhibited slightly superior performance compared to the other two models, achieving a lower prediction error rate. The combination of micro-measurement and machine learning models allows for a more detailed and precise understanding of water consumption patterns. These findings highlight the importance of applying advanced data analysis techniques and machine learning in the context of water resourcemanagement. This approach can contribute to the creation of more efficient and sustainable systems for water supply and consumption.