A Novel Hybrid ANN-CCO Framework for Monthly Water Consumption Forecasting Driven by Temporal Dynamics

تُعد المياه المحرك الصامت للحياة الحديثة، فهي تتدفق عبر الأنابيب لتدعم كل شيء، بدءاً من الاستحمام الصباحي وصولاً إلى صنبور إطفاء الحرائق في زاوية الشارع. ومع ذلك، فإن التنبؤ بدقة بكمية المياه التي ستحتاجها مدينة ما في الشهر التالي هو لغز حيّر المهندسين والمخططين لفترة طويلة. يكمن التحدي في حقيقة أن استخدام المياه ليس تياراً مستقراً؛ بل هو مزيج فوضوي من الأنماط الجوية، والسلوك البشري، والتحولات الاقتصادية. فقد يؤدي يوم صيفي حار إلى ارتفاع الطلب مع قيام الناس بري الحدائق وتبريد منازلهم، بينما يمكن لتدفق مفاجئ للسياح أن يثقل كاهل الخزانات المحلية. تعتمد طرق التنبؤ التقليدية غالباً على المتوسطات البسيطة أو الاتجاهات الخطية المستقيمة، بافتراض أن المستقبل سيكون مشابهاً جداً للماضي. ومع ذلك، في عالم تتغير فيه الأنماط المناخية وتنمو فيه المدن بشكل غير متوقع، غالباً ما تفشل هذه الأدوات القديمة في استيعاب الواقع المعقد وغير الخطي لكيفية استخدام الناس للمياه فعلياً. وعندما تكون التوقعات خاطئة، تكون العواقب حقيقية: فقد تهدر المرافق الطاقة في ضخ مياه لا تحتاجها، أو والأسوأ من ذلك، قد تواجه نقصاً خلال الأزمات، مما يترك المجتمعات دون إمدادات موثوقة.

في دراسة حديثة ركزت على مدينة إزمير التركية الصاخبة، عمل فريق من الباحثين على معالجة مشكلة التنبؤ هذه من خلال بناء نوع جديد من "الدماغ الرقمي". أرادوا إنشاء نظام يمكنه تعلم الإيقاعات المعقدة لاستهلاك المياه، مع مراعاة حقيقة أن الطلب مدفوع بشبكة متشابكة من العوامل مثل درجة الحرارة، وهطول الأمطار، وعدد الزوار الذين يمرون عبر المدينة. وللقيام بذلك، لجأوا إلى طريقة تسمى الشبكة العصبية الاصطناعية، وهي نوع من البرامج الحاسوبية المصممة لمحاكاة الطريقة التي يعالج بها الدماغ البشري المعلومات. هذه الشبكات ممتازة في إيجية الأنماط الخفية في البيانات الفوضوية، لكن بها عيباً واحداً: وهو صعوبة الضبط. إن إعدادها يشبه محاولة معايرة راديو معقد بدون دليل تعليمات؛ فإذا كانت الإعدادات غير دقيقة قليلاً، ستكون الإشارة ضعيفة والتنبؤات سيئة. أدرك الباحثون أنه للحصول على أفضل النتائج، يحتاجون إلى طريقة لإيجاد الإعدادات المثالية لهذا الدماغ الرقمي تلقائياً.

ولحل مشكلة الضبط هذه، قدم الفريق نهجاً مبتكراً مستوحى من الطبيعة، وتحديداً من السلوك الهجومي والاستراتيجي لسمكة "الكاتفوس" (Cuckoo Catfish). في البرية، تُعرف هذه الأسماك بتكتيك بقاء فريد حيث تغزو أعشاش الأسماك الأخرى، وتسرق بيضها وتستبدله ببيضها الخاص، مما يضمن تربية صغارها من قبل مضيفين غير مدركين. ترجم الباحثون هذه الاستراتيجية البيولوجية إلى خوارزمية حاسوبية تسمى "محسن سمكة الكاتفوس" (Cuckoo Catfish Optimizer). تعمل هذه الخوارزمية كمحرك بحث دؤوب، يختبر باستمرار تكوينات مختلفة للشبكة العصبية، ويستبعد الضعيفة منها، ويصقل القوية حتى يجد الإعداد الأكثر دقة. ومن خلال الجمع بين قدرة التعلم للشبكة العصبية والبحث الاستراتيجي للمحسن، أنشأوا نموذجاً هجيناً مصمماً للتنبؤ باستخدام المياه شهرياً بدقة غير مسبوقة.

اختبر الباحثون نظامهم الجديد باستخدام عشر سنوات من البيانات التاريخية لمدينة إزمير، الممتدة من عام 2015 إلى 2024. تضمنت هذه المجموعة من البيانات إجمالي كمية المياه المستهلكة كل شهر، إلى جانب سجلات مقابلة لأعداد السياح، ومتوسط درجات الحرارة، وهطول الأمطار. وقبل بناء نموذج التنبؤ الخاص بهم، قاموا أولاً بتحليل البيانات لفهم الاتجاهات الأساسية. واكتشفوا أنه بينما تذبذبت أعداد السياح بشكل حاد - حيث انخفضت بشدة خلال قيود السفر العالمية في عام 2020 ثم عادت للارتفاع - فإن الطلب الإجمالي على المياه استمر في الارتفاع بشكل مطرد. أشار هذا إلى أن استهلاك المياه في المدينة مدفوع بعوامل دائمة، مثل النمو السكاني وتطوير البنية التحتية، وليس فقط بالقفزات المؤقتة في السياحة. كان هذا الاستبصار حاسماً، لأنه يعني أن النموذج يجب أن يكون قوياً بما يكفي للتعامل مع الصدمات المفاجئة دون فقدان الرؤية للاتجاه التصاعدي طويل الأجل.

عندما وضع الفريق نموذجهم الهجين الجديد قيد الاختبار، كانت النتائج مذهلة. قارنوا نظامهم بطريقتين أخريين شائعتين للتنبؤ: شبكة عصبية قياسية بدون المحسن الخاص، وأداة تعلم آلي شهيرة تُعرف باسم (XGBoost). عانت الشبكة العصبية القياسية، حيث أخطأت الهدف بشكل كبير وفشلت في استيعاب النطاق الكامل لاستخدام المياه. أدى نموذج (XGBoost) أداءً أفضل، لكنه لا يزال يترك مجالاً للخطأ. ومع ذلك، تفوق النموذج الهجين الجديد على كليهما؛ حيث حقق درجة ارتباط بلغت 0.9853، وهو رقم يشير إلى تطابق شبه مثالي بين تنبؤاته وبيانات استهلاك المياه الفعلية. ومن حيث الخطأ، كان النموذج الجديد أقل دقة بنحو النصف مقارنة بالشبكة العصبية القياسية، وكان أكثر دقة بشكل ملحوظ من نموذج (XGBoost). لقد نجح في التنبؤ باحتياجات المياه لشهور بمتوسط خطأ قدره 1.71 مليون متر مكعب فقط، وهو تحسن هائل عن الطرق الأخرى.

كشفت الدراسة أيضاً أن النموذج الجديد لم يكتفِ بتخمين الأرقام الصحيحة فحسب، بل فهم شكل البيانات. فعندما نظر الباحثون في كيفية توزيع التنبؤات، وجدوا أن النموذج الهجين أعاد إنتاج التقلبات الطبيية في استهلاك المياه بدقة، من أشهر الشتاء الهادئة إلى ذروة الطلب في موسم السياحة الصيفية. وخلافاً للنماذج الأخرى، التي تميل إلى التقليل من تقدير أعلى القمم أو المبالغة في تقدير الأدنى، استطاع النظام الجديد التقاط الطيف الكامل للطلب دون وجود انحياز منهجي. هذه الموثوقية أمر حيوي لمخططي المدن، الذين يحتاجون ليس فقط لمعرفة متوسط الطلب، بل وأيضاً للقيم القصوى التي قد تضغط على النظام. أثبت النموذج أنه من خلال السماح لخوارزمية حاسوبية بمحاكاة الصيد الاستراتيجي لسمكة، يمكن للمهندسين بناء أداة ترى مستقبل استخدام المياه بوضوض شديد.

في نهاية المطاف، تقدم هذه الأبحاث أداة جديدة قوية لإدارة المياه في المدن التي تواجه الضغوط المزدوجة لتغير المناخ والتحضر السريع. ومن خلال إثبات أن النهج الهجين يمكن أن يتفوق بشكل كبير على الأساليب التقليدية، تشير الدراسة إلى أن مستقبل إدارة الموارد يكمن في الجمع بين استراتيجيات ذكية مختلفة. بالنسبة لمدينة مثل إزمير، وبالنسبة لأي منطقة حضرية تواجه تحديات مماثلة، فإن امتلاك توقع بهذا القدر من الدقة يعني تخطيطاً أفضل للخزانات، وجداول ضخ أكثر كفاءة، وإمدادات مياه أكثر مرونة لسكانها. يظهر العمل أنه حتى في العالم المعقد والفوضوي لاستخدام البشر للمياه، توجد أنماط يمكن العثور عليها، ومع الأدوات الصحيحة، يمكننا أن نتعلم كيفية قراءتها.