Optimización de la predicción de demanda de agua mediante algoritmos neuro-genéticos para un conjunto de datos reducido

Abstract

La predicción de la demanda de agua es uno de los factores principales en el diseño y gestión de sistemas de abastecimiento y distribución de agua. Recientemente, avanzadas técnicas en inteligencia computacional como las Redes Neuronales Artificiales (RNAs) han sido aplicadas para la predicción de series temporales con importantes resultados. En este trabajo se ha desarrollado una metodología híbrida que combina RNAs y Algoritmos Genéticos multiobjetivo para la predicción a corto plazo de la demanda de agua en una Comunidad de Regantes cuando la disponibilidad de datos es escasa. El modelo fue desarrollado utilizando datos de series temporales del Sector VII de la Zona Regable Bembézar M.D. Tras el proceso de optimización con un algoritmo genético multiobjetivo se obtuvo una RNA de tipo perceptrón multicapa entrenada mediante el algoritmo Regularización Bayesiana con 24 neuronas en la primera capa oculta y 21 en la segunda. El modelo desarrollado fue capaz de explicar el 95 % de la varianza total de los datos observados con un Error Estándar de Predicción del 9.38 % (periodo de test).