論文の概要: Predictive Analytics for Water Asset Management: Machine Learning and Survival Analysis

• arxiv url: http://arxiv.org/abs/2007.03744v1
• Date: Thu, 2 Jul 2020 19:08:36 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-14 13:59:56.280008
• Title: Predictive Analytics for Water Asset Management: Machine Learning and Survival Analysis
• Title（参考訳）: ウォーターアセット管理のための予測分析:機械学習と生存分析
• Authors: Maryam Rahbaralam, David Modesto, Jaume Card\'us, Amir Abdollahi, and Fernando M Cucchietti
• Abstract要約: 本研究では,水管故障の予測のための統計的および機械学習の枠組みについて検討する。 スペイン,バルセロナの配水ネットワーク内の全管の故障記録を含むデータセットを用いて検討を行った。 その結果, 管形状, 年齢, 材質, 土壌被覆など, 重要な危険因子の影響が明らかにされた。
• 参考スコア（独自算出の注目度）: 55.41644538483948
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Understanding performance and prioritizing resources for the maintenance of the drinking-water pipe network throughout its life-cycle is a key part of water asset management. Renovation of this vital network is generally hindered by the difficulty or impossibility to gain physical access to the pipes. We study a statistical and machine learning framework for the prediction of water pipe failures. We employ classical and modern classifiers for a short-term prediction and survival analysis to provide a broader perspective and long-term forecast, usually needed for the economic analysis of the renovation. To enrich these models, we introduce new predictors based on water distribution domain knowledge and employ a modern oversampling technique to remedy the high imbalance coming from the few failures observed each year. For our case study, we use a dataset containing the failure records of all pipes within the water distribution network in Barcelona, Spain. The results shed light on the effect of important risk factors, such as pipe geometry, age, material, and soil cover, among others, and can help utility managers conduct more informed predictive maintenance tasks.
• Abstract（参考訳）: 水資源管理の鍵となるのは, 水道管網のライフサイクルを通しての性能と優先資源の整備である。 この重要なネットワークの改修は、一般的にパイプへの物理的アクセスの困難さや不可能さによって妨げられている。 本研究では,水管故障予測のための統計的および機械学習フレームワークについて検討する。 我々は,短期的予測と生存率分析のために古典的・現代的分類器を用い,より広い視点と長期予測を提供する。 これらのモデルを豊かにするために,水分布領域の知識に基づく新しい予測器を導入し,近年のオーバーサンプリング手法を用いて,毎年観測される少数の障害から生じる高い不均衡を解消する。 ケーススタディでは,スペイン・バルセロナの配水ネットワーク内の全管の故障記録を含むデータセットを用いて検討を行った。 その結果, 管形状, 年齢, 材質, 土壌被覆など, 重要なリスク因子の影響が明らかとなり, 実用管理職がよりインフォームドな予測保守作業を行うのに役立つことがわかった。

関連論文リスト

• SEN12-WATER: A New Dataset for Hydrological Applications and its Benchmarking [40.996860106131244]
  気候と干ばつの増加は、世界中の水資源管理に重大な課題をもたらしている。 本稿では,干ばつ関連分析のためのエンドツーエンドディープラーニングフレームワークを用いたベンチマークとともに,新しいデータセットであるSEN12-WATERを提案する。
  論文  参考訳（メタデータ） (2024-09-25T16:50:59Z)
• Interpretable Survival Analysis for Heart Failure Risk Prediction [50.64739292687567]
  現状の生存モデルと解釈可能かつ競合する新しい生存分析パイプラインを提案する。 我々のパイプラインは最先端のパフォーマンスを達成し、心不全のリスク要因に関する興味深い新しい洞察を提供する。
  論文  参考訳（メタデータ） (2023-10-24T02:56:05Z)
• Beyond Tides and Time: Machine Learning Triumph in Water Quality [0.0]
  この研究は、データサイエンスの専門家とドメイン固有の知識を持たない人々の両方にとって、堅牢な予測パイプラインを確立することを目的としている。 我々の研究は、データサイエンスの専門家とドメイン固有の知識を持たない人々の両方にとって、堅牢な予測パイプラインを確立することを目的としています。
  論文  参考訳（メタデータ） (2023-09-29T03:33:53Z)
• Time Series Predictions in Unmonitored Sites: A Survey of Machine Learning Techniques in Water Resources [10.307058787085094]
  モニタリングされていない場所での動的環境変数の予測は、水資源科学の長年の課題である。 現代の機械学習手法は、水文時系列予測のためのプロセスベースおよび経験的モデルよりもますます優れている。 ストリームフロー,水質,その他の水資源予測における機械学習の最先端技術応用について概説する。
  論文  参考訳（メタデータ） (2023-08-18T18:30:33Z)
• Rapid Flood Inundation Forecast Using Fourier Neural Operator [77.30160833875513]
  洪水浸水予測は洪水前後の緊急計画に重要な情報を提供する。 近年,高分解能な流体力学モデリングが普及しつつあるが,道路の洪水範囲やリアルタイムのビルディングレベルは依然として計算的に要求されている。 洪水範囲と浸水深度予測のためのハイブリッドプロセスベースおよびデータ駆動機械学習(ML)アプローチを提案する。
  論文  参考訳（メタデータ） (2023-07-29T22:49:50Z)
• Interpretable Water Level Forecaster with Spatiotemporal Causal Attention Mechanisms [0.5735035463793009]
  本研究では,水位予測に着目し,解釈可能性の定量化を目的とした深層学習モデルを提案する。 我々は,2016年から2021年にかけて,韓国ソウルから得られた漢川データセットの比較分析を行った。
  論文  参考訳（メタデータ） (2023-02-28T04:37:26Z)
• Long-Term Pipeline Failure Prediction Using Nonparametric Survival Analysis [4.838046459336203]
  我々は,水本破壊の故障確率を評価し,予測するための機械学習モデルを開発した。 以上の結果から,本システムはランサムサバイバルフォレスト(Random Survival Forest)と呼ばれる非パラメトリックサバイバル分析手法を取り入れていることが明らかとなった。 さらに,長期予測に関連する不確かさを定量化するために,統計的推論手法を構築した。
  論文  参考訳（メタデータ） (2020-11-11T02:31:31Z)
• A game-theoretic analysis of networked system control for common-pool resource management using multi-agent reinforcement learning [54.55119659523629]
  マルチエージェント強化学習は近年,ネットワーク型システム制御へのアプローチとして大きな可能性を秘めている。 共通プールの資源は耕作可能な土地、淡水、湿地、野生生物、魚類資源、森林、大気である。
  論文  参考訳（メタデータ） (2020-10-15T14:12:26Z)
• Predictive Maintenance for Edge-Based Sensor Networks: A Deep Reinforcement Learning Approach [68.40429597811071]
  未計画の設備停止のリスクは、収益発生資産の予測保守によって最小化することができる。 機器に基づくセンサネットワークのコンテキストから予測機器のメンテナンスを行うために,モデルフリーのDeep Reinforcement Learningアルゴリズムを提案する。 従来のブラックボックス回帰モデルとは異なり、提案アルゴリズムは最適なメンテナンスポリシーを自己学習し、各機器に対して実行可能なレコメンデーションを提供する。
  論文  参考訳（メタデータ） (2020-07-07T10:00:32Z)
• A Data Scientist's Guide to Streamflow Prediction [55.22219308265945]
  我々は,水文降雨要素と流出モデルに着目し,洪水の予測と流れの予測に応用する。 このガイドは、データサイエンティストが問題や水文学的な概念、そしてその過程で現れる詳細を理解するのを助けることを目的としています。
  論文  参考訳（メタデータ） (2020-06-05T08:04:37Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。