論文の概要: Long-Term Pipeline Failure Prediction Using Nonparametric Survival Analysis

• arxiv url: http://arxiv.org/abs/2011.08671v1
• Date: Wed, 11 Nov 2020 02:31:31 GMT
• ステータス: 処理完了
• システム内更新日: 2022-09-26 23:14:23.613868
• Title: Long-Term Pipeline Failure Prediction Using Nonparametric Survival Analysis
• Title（参考訳）: 非パラメトリックサバイバル解析による長期パイプライン故障予測
• Authors: Dilusha Weeraddana, Sudaraka MallawaArachchi, Tharindu Warnakula, Zhidong Li, and Yang Wang
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 4.838046459336203
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Australian water infrastructure is more than a hundred years old, thus has begun to show its age through water main failures. Our work concerns approximately half a million pipelines across major Australian cities that deliver water to houses and businesses, serving over five million customers. Failures on these buried assets cause damage to properties and water supply disruptions. We applied Machine Learning techniques to find a cost-effective solution to the pipe failure problem in these Australian cities, where on average 1500 of water main failures occur each year. To achieve this objective, we construct a detailed picture and understanding of the behaviour of the water pipe network by developing a Machine Learning model to assess and predict the failure likelihood of water main breaking using historical failure records, descriptors of pipes and other environmental factors. Our results indicate that our system incorporating a nonparametric survival analysis technique called "Random Survival Forest" outperforms several popular algorithms and expert heuristics in long-term prediction. In addition, we construct a statistical inference technique to quantify the uncertainty associated with the long-term predictions.
• Abstract（参考訳）: オーストラリアの水基盤は100年以上前からあり、水の主な失敗によってその年齢が示され始めている。 オーストラリアの主要都市を横断する約50万のパイプラインが、住宅や企業に水を供給し、500万人以上の顧客にサービスを提供している。 これらの埋蔵資産の故障は、資産の損傷と水道の破壊を引き起こす。 オーストラリアのこれらの都市では, 年間平均1500回以上の水害が発生しているパイプ故障問題に対して, コスト効率の高い解を求めるために, 機械学習技術を適用した。 この目的を達成するために,過去の故障記録やパイプの記述子,その他の環境要因を用いて水本破砕の失敗可能性を評価し予測する機械学習モデルを構築し,水管網の挙動の詳細な図と理解を構築する。 以上の結果から,非パラメトリックサバイバル分析手法を組み込んだランサムサバイバルフォレスト(Random Survival Forest)が,長期予測においていくつかのアルゴリズムや専門家ヒューリスティックよりも優れていたことが示唆された。 さらに,長期予測に関連する不確実性を定量化する統計的推論手法を構築した。

関連論文リスト

• Evaluation of deep learning models for Australian climate extremes: prediction of streamflow and floods [0.17999333451993949]
  近年、洪水のような気候の極端は、オーストラリアにとって重要な環境と経済の危険を生み出している。 ディープラーニングの手法は、短時間の地平線上で、小規模から中規模の極端な事象を予測することを約束している。 大規模な急激な洪水に対処するアンサンブルベースの機械学習アプローチを提案する。
  論文  参考訳（メタデータ） (2024-07-20T23:45:04Z)
• 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)
• Long-term drought prediction using deep neural networks based on geospatial weather data [75.38539438000072]
  農業計画や保険には1年前から予測される高品質の干ばつが不可欠だ。 私たちは、体系的なエンドツーエンドアプローチを採用するエンドツーエンドアプローチを導入することで、干ばつデータに取り組みます。 主な発見は、TransformerモデルであるEarthFormerが、正確な短期(最大6ヶ月)の予測を行う際の例外的なパフォーマンスである。
  論文  参考訳（メタデータ） (2023-09-12T13:28:06Z)
• 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)
• An evaluation of deep learning models for predicting water depth evolution in urban floods [59.31940764426359]
  高空間分解能水深予測のための異なる深層学習モデルの比較を行った。 深層学習モデルはCADDIESセル-オートマタフラッドモデルによってシミュレーションされたデータを再現するために訓練される。 その結果,ディープラーニングモデルでは,他の手法に比べて誤差が低いことがわかった。
  論文  参考訳（メタデータ） (2023-02-20T16:08:54Z)
• Flood Prediction Using Machine Learning Models [0.0]
  本稿では,異なる機械学習モデルを用いて洪水の予測を行うことにより,この自然災害の極端なリスクを低減することを目的とする。 その結果、どのモデルがより正確な結果をもたらすかを理解するために比較分析を行う。
  論文  参考訳（メタデータ） (2022-08-02T03:59:43Z)
• Predictive Analytics for Water Asset Management: Machine Learning and Survival Analysis [55.41644538483948]
  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。
  論文  参考訳（メタデータ） (2020-07-02T19:08:36Z)
• Utilizing machine learning to prevent water main breaks by understanding pipeline failure drivers [9.523624462369918]
  Data61とWestern Waterはエンジニアリングの専門知識と機械学習ツールを適用し、メルボルン西部の地域でのパイプ故障問題に対する費用対効果の高い解決策を見つけた。 水道管網の挙動を詳細に把握した。 本研究では,過去の故障記録,パイプのディスクリプタ,その他の環境要因を用いて,水本破壊の故障確率を評価し,予測する機械学習システムを開発した。
  論文  参考訳（メタデータ） (2020-06-05T11:44:02Z)
• 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。