【模型工具】三种数据驱动的城市排水系统流量预测模型性能比较
原文信息题目：Comparison of learning-based wastewater flow prediction methodologies for smart sewer management
作者：Hazhar Sufi Karimi et al
作者单位：Department of Electrical and Computer Engineering, Kansas State University, Manhattan, KS 66502, USA
期刊：Journal of Hydrology
时间：2019
导读
城市排水系统中不同位置的流量预测对城市雨洪管理至关重要。使用机理模型进行计算预测存在参数识别困难、计算量大的问题。因此近年来涌现出许多使用机器学习方法进行数据驱动建模以快速高效地预测流量的研究。本研究立足于3种不同的数据驱动方法，分别独立地训练和测试三种数据驱动模型，通过比较不同模型仿真的差异，比较三种方法的优劣，为城市排水系统数据驱动建模的方法选择提供参考。
文章简介
本研究选取美国密苏里州斯普林菲尔德市作为案例区域进行建模，该区域具有自2016年以来的15min时间精度的降雨量、管段流量和5min精度的地下水井液位数据。由于案例区域天气常年干旱，大部分时间管段的流量较小，因此本研究还加入了重采样方法以确保数据驱动模型能够捕捉到降雨事件对管段流量的影响。
三种数据驱动方法分别为ANN,LSTM与LASSO。使用ANN建模仿真预测某管段流量得到的结果如图1所示。其仿真结果与流量监测值的吻合程度较好，修正相关系数R2为0.7822，其他管段与污水处理厂的流量预测的相关系数R2都在0.58至0.78的范围以内，预测效果较好。
图1ANN方法预测某管段流量的结果
使用LSTM建模仿真预测污水处理厂的进水流量结果如表1所示。相比于ANN方法（相关系数0.63），通过调整滑动步长、隐藏层与训练批量，LSTM可以表现出了更高的预测精度（相关系数0.82），这也说明LSTM方法比ANN方法更高精，但LSTM方法比ANN在模型结构上显著地更加复杂。
图2LSTM建模仿真污水处理厂进水流量的结果
最后一种方法为LASSO。通过实验调整得到合适的惩罚因子后，该方法在预测精度方面比ANN稍好，但稍逊于LSTM（LASSO方法的修正相关系数为0.69至0.78）。但除此之外LASSO方法却能够通过含有“惩罚项”的回归剔除一些不重要的输入因子，同时仍然使得模型维持较高的精度。该方法的可能会有助于增进人们对排水系统网络运行的认知。
编者点评
本研究通过独立地构建三个不同的数据驱动模型对同一案例区域的城市排水系统进行流量预测，比较了三种数据驱动模型的性能，发现了LSTM的高精确性与LASSO简化输入的功效。同时在流量预测中使用了地下水位的监测数据、还应用了重采样的方法来解决降雨的数据稀缺问题，这在其他研究中较为少见。本研究的不足在于三种模型的输出的变量不全相同，可比性稍弱。在研究内容之外，编者还体会了到国外排水系统良好的数据可及性。
原文地址：
https://doi.org/10.1016/j.jhydrol.2019.123977
或点击“阅读原文”查看
城市水系统领域
最新研究动态
UrbanWaterGroup
长按二维码关注
页:
[1]