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

पानी आधुनिक जीवन का एक मौन इंजन है, जो पाइपों के माध्यम से बहकर सुबह के स्नान से लेकर कोने पर लगे फायर हाइड्रेंट तक सब कुछ बनाए रखता है। फिर भी, यह भविष्यवाणी करना कि अगले महीने किसी शहर को ठीक कितने पानी की आवश्यकता होगी, एक ऐसी पहेली है जिसने लंबे समय से इंजीनियरों और योजनाकारों को उलझा रखा है। चुनौती इस तथ्य में निहित है कि पानी का उपयोग एक स्थिर प्रवाह नहीं है; यह मौसम के पैटर्न, मानवीय व्यवहार और आर्थिक बदलावों का एक अराजक मिश्रण है। गर्मी के एक दिन में मांग बढ़ सकती है क्योंकि लोग बगीचों को पानी देते हैं और अपने घरों को ठंडा रखते हैं, जबकि पर्यटकों की अचानक आमद स्थानीय जलाशयों को थका सकती है। पूर्वानुमान की पारंपरिक विधियाँ अक्सर सरल औसत या सीधी रेखा के रुझानों पर निर्भर करती हैं, यह मानकर कि भविष्य वैसा ही होगा जैसा अतीत था। हालाँकि, एक ऐसी दुनिया में जहाँ जलवायु पैटर्न बदल रहे हैं और शहर अप्रत्याशित रूप से बढ़ रहे हैं, ये पुराने उपकरण अक्सर उस जटिल, गैर-रेखीय वास्तविकता को पकड़ने में विफल रहते हैं कि लोग वास्तव में पानी का उपयोग कैसे करते हैं। जब पूर्वानुमान गलत होते हैं, तो परिणाम वास्तविक होते हैं: उपयोगिताएँ उस पानी को पंप करने में ऊर्जा बर्बाद कर सकती हैं जिसकी उन्हें आवश्यकता नहीं है, या इससे भी बदतर, वे संकट के दौरान कम पड़ सकती हैं, जिससे समुदाय एक विश्वसनीय आपूर्ति से वंचित रह जाते हैं।

तुर्की के हलचल भरे भूमध्यसागरीय शहर इज़मिर पर केंद्रित एक हालिया अध्ययन में, शोधकर्ताओं की एक टीम ने एक नए प्रकार का 'डिजिटल मस्तिष्क' बनाकर इस पूर्वानुमान समस्या का समाधान किया। वे एक ऐसा सिस्टम बनाना चाहते थे जो पानी की खपत की जटिल लय को सीख सके, और इस तथ्य को ध्यान में रख सके कि मांग तापमान, वर्षा और शहर से गुजरने वाले पर्यटकों की संख्या जैसे कारकों के एक उलझे हुए जाल द्वारा संचालित होती है। इसे करने के लिए, उन्होंने 'आर्टिफिशियल न्यूरल नेटवर्क' (Artificial Neural Network) नामक एक पद्धति का सहारा लिया, जो एक प्रकार का कंप्यूटर प्रोग्राम है जिसे मानव मस्तिष्क द्वारा सूचनाओं को संसाधित करने के तरीके की नकल करने के लिए डिज़ाइन किया गया है। ये नेटवर्क अव्यवized डेटा में छिपे हुए पैटर्न खोजने में उत्कृष्ट होते हैं, लेकिन उनमें एक दोष है: उन्हें ट्यून करना कठिन होता है। उन्हें सेट करना एक जटिल रेडियो को बिना मैनुअल के कैलिब्रेट करने की कोशिश करने जैसा है; यदि सेटिंग्स थोड़ी भी गलत हैं, तो सिग्नल कमजोर हो जाता है और भविष्यवाणियाँ खराब होती हैं। शोधकर्ताओं ने महसूस किया कि सर्वोत्तम परिणाम प्राप्त करने के लिए, उन्हें इस डिजिटल मस्तिष्क के लिए सटीक सेटिंग्स स्वचालित रूप से खोजने का एक तरीका चाहिए।

इस ट्यूनिंग समस्या को हल करने के लिए, टीम ने प्रकृति से प्रेरित एक नवीन दृष्टिकोण पेश किया, विशेष रूप से 'कुकू कैटफिश' (cuckoo catfish) के आक्रामक और रणनीतिक व्यवहार से। प्रकृति में, ये मछलियाँ एक अनूठी उत्तरजीभा रणनीति के लिए जानी जाती हैं जहाँ वे अन्य मछलियों के घोंसलों पर आक्रमण करती हैं, उनके अंडों को चुराती हैं और उनकी जगह अपने अंडे रख देती हैं, जिससे यह सुनिश्चित होता है कि उनके बच्चे अनजाने मेजबानों द्वारा पाले जाएं। शोधकर्ताओं ने इस जैविक रणनीति को 'कुकू कैटफिश ऑप्टिमाइज़र' (Cuckoo Catfish Optimizer) नामक एक कंप्यूटर एल्गोरिदम में अनुवादित किया। यह एल्गोरिदम एक अथक खोज इंजन के रूप में कार्य करता है, जो न्यूरल नेटवर्क के लिए लगातार विभिन्न कॉन्फ़िगरेशन का परीक्षण करता है, कमजोरों को खारिज करता है, और सबसे सटीक सेटअप खोजने के लिए मजबूतों को परिष्कृत करता है। न्यूरल नेटवर्क की सीखने की शक्ति को ऑप्टिमाइज़र की रणनीतिक खोज के साथ जोड़कर, उन्होंने एक हाइब्रिड मॉडल बनाया जो अभूतपूर्व सटीकता के साथ मासिक जल उपयोग की भविष्यवाणी करने के लिए डिज़ाइन किया गया है।

शोधकर्ताओं ने अपने नए सिस्टम का परीक्षण इज़मिर के दस वर्षों के ऐतिहासिक डेटा का उपयोग करके किया, जो 2015 से 2024 तक फैला हुआ है। इस डेटासेट में प्रत्येक महीने खपत किए गए पानी की कुल मात्रा के साथ-साथ पर्यटकों की संख्या, औसत तापमान और वर्षा के संबंधित रिकॉर्ड शामिल थे। अपने भविष्यवाणी मॉडल को बनाने से पहले, उन्होंने डेटा को समझने के लिए सबसे पहले इसका विश्लेषण किया। उन्होंने पाया कि जबकि पर्यटकों की संख्या में भारी उतार-चढ़ाव आया—जो 2020 के वैश्विक यात्रा प्रतिबंधों के दौरान तेजी से गिरी और फिर से बढ़ी—कुल मांग लगातार बढ़ती रही। इससे यह संकेत मिला कि शहर की जल खपत केवल पर्यटन के अस्थायी उछाल के बजाय स्थायी कारकों, जैसे जनसंख्या वृद्धि और बुनियादी ढांचे के विकास द्वारा संचालित है। यह अंतर्दृष्टि महत्वपूर्ण थी, क्योंकि इसका अर्थ था कि मॉडल को दीर्घकालिक ऊपर की ओर बढ़ते रुझान को खोए बिना अचानक आए झटकों को संभालने के लिए पर्याप्त मजबूत होना चाहिए।

जब टीम ने अपने नए हाइब्रिड मॉडल को परीक्षण के घेरे में डाला, तो परिणाम चौंकाने वाले थे। उन्होंने अपने सिस्टम की तुलना दो अन्य सामान्य पूर्वानुमान विधियों के साथ की: एक विशेष ऑप्टिमाइज़र के बिना मानक न्यूरल नेटवर्क, और 'XGBoost' नामक एक लोकप्रिय मशीन लर्निंग टूल। मानक न्यूरल नेटवर्क संघर्ष करता रहा, लक्ष्य से काफी पीछे रह गया और पानी के उपयोग की पूरी सीमा को पकड़ने में विफल रहा। XGBoost मॉडल बेहतर प्रदर्शन करता था, लेकिन इसमें अभी भी त्रुटि की गुंजाइश थी। हालाँकि, नया हाइब्रिड मॉडल दोनों से बेहतर रहा। इसने 0.9853 का सहसंबंध स्कोर (correlation score) प्राप्त किया, जो एक आंकड़ा है जो इसके अनुमानों और वास्तविक जल खपत डेटा के बीच लगभग पूर्ण मिलान को दर्शाता है। त्रुटि के मामले में, नया मॉडल मानक न्यूरल नेटवर्क की तुलना में लगभग आधा कम त्रुटिपूर्ण था और XGBoost मॉडल की तुलना में काफी अधिक सटीक था। इसने औसतन केवल 1.71 मिलियन क्यूबिक मीटर की त्रुटि के साथ महीनों की पानी की जरूरतों की सफलतापूर्वक भविष्यवाणी की, जो अन्य तरीकों की तुलना में एक बड़ी उपलब्धि है।

अध्ययन ने यह भी खुलासा किया कि नया मॉडल केवल सही नंबरों का अनुमान नहीं लगाता था; बल्कि वह डेटा के स्वरूप को समझता था। जब शोधकर्ताओं ने देखा कि उनके अनुमान कैसे वितरित थे, तो उन्होंने पाया कि हाइब्रिड मॉडल ने पानी की खपत के प्राकृतिक उतार-चढ़ाव को सटीक रूप से पुनरुत्पादित किया, जिसमें शांत सर्दियों के महीने से लेकर गर्मियों के पर्यटन सीजन की चरम मांग तक शामिल है। अन्य मॉडलों के विपरीत, जो उच्चतम शिखरों (peaks) को कम आंकने या निम्नतम स्तरों को अधिक आंकने की प्रवृत्ति रखते थे, इस नए सिस्टम ने बिना किसी व्यवस्थित पूर्वाग्रह के मांग के पूरे स्पेक्ट्रम को कैप्चर किया। यह विश्वसनीयता शहर के योजनाकारों के लिए अत्यंत महत्वपूर्ण है, जिन्हें न केवल औसत मांग, बल्कि उन चरम स्थितियों के बारे में भी जानने की आवश्यकता होती है जो सिस्टम पर दबाव डाल सकती हैं। मॉडल ने सिद्ध किया कि एक मछली की रणनीतिक शिकार पद्धति की नकल करने वाले कंप्यूटर एल्गोरिदम का उपयोग करके, इंजीनियर एक ऐसा उपकरण बना सकते हैं जो पानी के उपयोग के भविष्य को उल्लेखनीय स्पष्टता के साथ देख सकता है।

अंततः, यह शोध जलवायु परिवर्तन और तीव्र शहरीकरण के दोहरे दबावों का सामना कर रहे शहरों में पानी के प्रबंधन के लिए एक शक्तिशाली नया उपकरण प्रदान करता है। यह प्रदर्शित करके कि एक हाइब्रिड दृष्टिकोण पारंपरिक तरीकों की तुलना में काफी बेहतर प्रदर्शन कर सकता है, यह अध्ययन सुझाव देता है कि संसाधन प्रबंधन का भविष्य विभिन्न बुद्धिमान रणनीतियों को जोड़ने में निहित है। इज़मिर जैसे शहर के लिए, और वास्तव में किसी भी महानगर के लिए जो समान चुनौतियों का सामना कर रहा है, इतने सटीक पूर्वानुमान का होना जलाशयों की बेहतर योजना, अधिक कुशल पंपिंग शेड्यूलिंग और अपने निवासियों के लिए एक अधिक लचीली जल आपूर्ति का अर्थ है। यह कार्य दिखाता है कि मानव जल उपयोग की जटिल और अराजक दुनिया में भी, ऐसे पैटर्न मौजूद हैं जिन्हें खोजा जा सकता है, और सही उपकरणों के साथ, हम उन्हें पढ़ना सीख सकते हैं।