تشخیص به موقع کنتورهای معیوب، نقشی کلیدی در کاهش تلفات ظاهری و بهبود مدیریت منابع آب دارد. در این پژوهش، با تحلیل سری زمانی مصارف ۷۷۰ مشترک از خط ۱۱۱ منطقه یک شرکت آب و فاضلاب مشهد طی ۴۴ دوره قرائت طی سال های ۱۳۹۶ تا ۱۴۰۳، چهار روش آماری و شش الگوریتم یادگیری ماشین نظارت نشده به‌کار گرفته شدند. داده‌ها پس از حذف مقادیر مشکوک، استانداردسازی و پیش‌پردازش، به الگوریتم‌ها وارد شدند. دو شاخص پیشرفته Excess Mass و Mass Volume نیز برای ارزیابی کیفیت خوشه‌بندی و تشخیص ناهنجاری‌ها در روش‌های منتخب محاسبه شد. تحلیل نتایج در سه رویکرد انجام گرفت؛ بررسی رفتار مصرف مشترکین منتخب، مقایسه کمی عملکرد الگوریتم‌ها با شاخص‌های ارزیابی، و اولویت‌بندی کلی تمامی مشترکین بر اساس مجموع ناهنجاری‌ها. نتایج نشان داد الگوریتم‌های Prophet و Autoencoder دقیق‌ترین و بهینه‌ترین شناسایی ناهنجاری‌ها را ارائه کرده و پس از آن LOF عملکرد قابل‌قبولی داشت. در مقابل، DBSCAN و OC SVM گرایش به بیش‌برازش داشتند. بر اساس اولویت‌بندی نهایی، اشتراک‌های 10096813، 10003199، 714700 و 10011263 در صدر فهرست تعویض قرار گرفتند. هم چنین ده اشتراک با بیشترین احتمال خرابی کنتور نیز مشخص شدند. میانگین ناهنجاری های شناسائی شده در 10 روش اجرا شده این پژوهش برای مجموعه داده ها، 54 حالت از 440 حالت ممکن بود.

کلمات کلیدی