Extending Municipal Water Demand Forecasting Capacities by Incorporating Behavioural Responses
Notice bibliographique
Résumé
Growing urban water demands are putting increasing pressure on the infrastructure of many water agencies, signaling the potential need for greater capital investments. Most water agencies forecast demand by multiplying future population estimates with historical per capita water use. However, this approach tends to be inaccurate by failing to account for other demand drivers, such as income, price and household appliance holdings. Providing water agencies with enhanced water forecasting capabilities that better reflect water users’ behaviour is one way these agencies can address this challenge. The proposed study builds upon the following initial project: Project (2008-2012): More Value from the Same Water: Maximizing Water's Sustainable Contribution to the Canadian Economy, Diane Dupont, Brock University This project sought to advance understanding of the factors (i) governing water use, (ii) influencing water recirculation decisions, and (iii) influencing adoption of residential water conserving technologies. The project produced statistical models of households' and manufacturing firms' water use. As an extension of this research, the proposed project is based on observations made by a number of experts in the municipal water sector. Specifically, it has been observed that water conservation departments are not always involved in demand forecasting, since this is done on the basis of infrastructure requirements. Previous experience in the energy industry has demonstrated how costly it can be to overbuild supply networks based on faulty demand forecasts that have failed to incorporate behavioural responses related to conservation. Thus, there is a need to bring together the behavioural sciences that underlie efforts to promote water conservation in the short-term with longer-term water demand forecasts.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,010 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».