Predicción de la demanda de agua en las ETAPs de Valladolid

Abstract

Este trabajo tiene como objetivo desarrollar un modelo capaz de predecir la demanda diaria de agua potable en la ciudad de Valladolid, utilizando redes neuronales del tipo LSTM (Long Short-Term Memory). Para ello, se ha recopilado y tratado una base de datos histórica de caudal suministrado por las estaciones de tratamiento de agua (ETAP), complementada con información meteorológica. Se ha llevado a cabo un proceso completo de análisis, preprocesamiento, diseño del modelo, entrenamiento y evaluación. Se han comparado distintas configuraciones de red y enfoques predictivos (univariado y multivariado, con predicción a uno y varios días vista). Los resultados muestran que la inclusión de variables climáticas y un buen tratamiento de los datos iniciales mejoran significativamente la precisión del modelo. Este trabajo demuestra el potencial de la inteligencia artificial para apoyar la planificación y gestión eficiente del recurso hídrico en entornos urbanos.

This project aims to develop a model capable of predicting the daily demand for drinking water in the city of Valladolid using Long Short-Term Memory (LSTM) neural networks. For this purpose, a historical dataset of water flow from treatment plants (ETAPs) has been compiled and processed, along with complementary meteorological data. A complete pipeline was carried out, including analysis, preprocessing, model design, training, and evaluation. Different network configurations and forecasting approaches were compared (univariate and multivariate, with one-day and multi-day horizons). The results show that including climate variables and properly preparing the data significantly improves the model’s accuracy. This work highlights the potential of artificial intelligence to support efficient water resource planning and management in urban environments.