Water demand forecasting with LSTMs and explainable AI : A client-segmentation approach for utility decision-making

Abstract

Water demand forecasting is critical for efficient resource management and sustainable planning. Traditional methods, such as extrapolation from recent consumption, are simple but fail to capture variability, resulting in unreliable estimates. This dissertation develops predictive models for water consumption using Artificial Neural Networks (ANNs) and Long Short Term Memory (LSTM) networks. The last model mentioned is complemented with Explainable Artificial Intelligence (XAI) techniques to ensure both accuracy and interpretability. The study followed the CRISP-DM methodology, covering data processing, model development, and interpretability analysis. Two strategies were explored: a generic approach combining all customers and a segmented approach distinguishing between Domestic and Non- Domestic consumers. Segmentation delivered clear gains for Domestic Clients (lowest MAE), while Non-Domestic exhibited higher MAE despite high coefficient of determination, reflecting heavier peaks and greater heterogeneity. By contrast, the company’s current extrapolation method produced negative coefficient of determination values, highlighting the limitations of the approach. To increase transparency, SHAP (SHapley Additive exPlanations) was applied to identify consumption drivers. Consumption history was the main predictor overall, while seasonal effects and operating cycles were particularly relevant for Domestic and Non-Domestic customers, respectively. This research demonstrates that combining Deep Learning with explainability provides transparent, and practical approach to forecasting water demand in the utility sector.

A previsão da procura de água é fundamental para uma gestão eficiente dos recursos e planeamento sustentável. Os métodos tradicionais, como a extrapolação do consumo recente, são simples, mas não captam a variabilidade, resultando em estimativas pouco fiáveis. Esta dissertação desenvolve modelos preditivos para o consumo de água utilizando redes Artificial Neural Networks (ANNs) e Long Short Term Memory (LSTM). Este último é complementado com técnicas de Inteligência Artificial Explicável (XAI) para garantir precisão e interpretabilidade. O estudo seguiu a metodologia CRISP-DM, abrangendo o processamento de dados, o desenvolvimento de modelos e a análise de interpretabilidade. Foram exploradas duas estratégias: uma abordagem genérica que combina todos os clientes e uma abordagem segmentada que distingue entre consumidores Domésticos e Não Domésticos. Com esta segmentação obteve-se ganhos claros nos clientes Domésticos (menor MAE), enquanto os Não- Domésticos apresentaram MAE mais elevado, apesar de um coeficiente de determinação alto, refletindo assim a existência de picos mais intensos e maior heterogeneidade. Em contrapartida, o método de extrapolação atual da empresa produziu valores do coeficiente de determinação negativos, evidenciando limitações da aproximação. Para aumentar a transparência, o SHAP (SHapley Additive exPlanations) foi aplicado para identificar os fatores que impulsionam o consumo. O histórico de consumo foi o principal indicador geral, enquanto os efeitos sazonais e os ciclos operacionais foram particularmente relevantes para clientes Domésticos e Não Domésticos, respetivamente. Esta investigação demonstra que a combinação de aprendizagem profunda com explicabilidade fornece uma abordagem transparente e prática para prever a procura de água no setor dos serviços públicos.