شناسايي كنتورهاي آب دستكاري‌شده در كاربري غيرخانگي شهر قم

Identification of Tampered Water Meters in NonDomestic Use of Qom City

شناسايي كنتورهاي دستكاري‌شده آب به‌عنوان بخشي از مصارف غيرمجاز يكي از گام‌هاي اساسي در توسعه خدمات‌رساني و افزايش بهره‌وري از منابع آب به‌حساب مي‌آيد كه بايد به آن توجه خاص نمود. داده‌هاي مورد استفاده براي شناسايي مصرف غيرمجاز حاصل از دستكاري كنتور شامل تعداد 150 مشترك با سابقه دستكاري كنتور در سال‌هاي 1401-1394 و يك نمونه تصادفي 1375تايي از مشتركين بدون سابقه دستكاري (سالم) در كاربري غيرخانگي شهر قم مي‌باشد. به‌منظور تحليل داده‌ها از سابقه مصرف و پرداخت صورتحساب مشتركين و هم‌چنين روش‌هاي با نظارت داده‌كاوي از قبيل ماشين بردار پشتيبان، شبكه عصبي، رگرسيون لجستيك، نزديك‌ترين همسايگي استفاده شده است. نتايج نشان دادند كه با توجه به درصد پاسخ صحيح در بين روش‌ها، شبكه عصبي با تشخيص صحيح 48 درصد موارد دستكاري‌شده و 99 درصد موارد سالم و دقت كلي 94 درصد بر روي داده‌هاي آزمون به‌عنوان بهترين مدل براي شناسايي كنتورهاي دستكاري‌شده مي‌تواند مورد استفاده قرار گيرد. هم‌چنين ساير روش‌ها از عملكرد مشابهي برخوردار هستند. اين مطالعه به ارائه مدل‌هايي براي شناسايي موارد دستكاري كنتور آب توسط روش‌هاي داده‌كاوي پرداخته است. با توجه به يافته‌هاي تحقيق، به‌منظور شناسايي كنتورهاي دستكاري‌شده، مي‌توان از داده‌كاوي استفاده نمود. در اين مطالعه، روش شبكه عصبي با دقت بالا به‌عنوان مناسب‌ترين مدل براي شناسايي كنتورهاي دستكاري‌شده، انتخاب گرديد.

Detection of tampering in water meters as part of unauthorized usage is a key step in development of service delivery and increasing water resource productivity, and requires special attention. Data used to identify unauthorized water usage, due to tampering in water meters, include 150 subscribers with a history of meter tampering during the years 2015-2022 and a random sample of 1375 subscribers with no tampering record (clean) among Qom’s non-residential water users. Data analysis was conducted using subscriber’s water consumption and invoice payment history as well as supervised data mining techniques such as support vector machine, neural network, logistic regression, K-nearest neighbor. The comparison of different data mining techniques between two groups of tampered and non-tampered water meters showed that among the supervised methods, the accuracy of the models is close to each other and there is a 1–3% difference between them. On the other hand, given the percentage of correct responses among the methods, logistic regression, as the best data mining model, with correct detection of 48% of tampered and 99% of non-tampered cases as well as 94% overall accuracy on the testing data, can be used for identification of tampered meters. Data mining techniques for identification of water meter tampering were presented in this study. According to the research findings, data mining can be used to identify tampered meters. In this study, neural network, due to its high accuracy, was selected as the most appropriate model for detection of tampered meters.