論文の概要: Evaluating Time Series Models for Urban Wastewater Management: Predictive Performance, Model Complexity and Resilience

• arxiv url: http://arxiv.org/abs/2504.17461v1
• Date: Thu, 24 Apr 2025 11:52:13 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-02 19:15:53.347323
• Title: Evaluating Time Series Models for Urban Wastewater Management: Predictive Performance, Model Complexity and Resilience
• Title（参考訳）: 都市排水管理のための時系列モデルの評価:予測性能, モデル複雑度, レジリエンス
• Authors: Vipin Singh, Tianheng Ling, Teodor Chiaburu, Felix Biessmann,
• Abstract要約: 気候変動は極端な降雨頻度を増大させ、特に複合下水道システム(CSS)の都市インフラに大きな歪みを生じさせる 汚染されたCSSからの過剰流出は未処理の排水を表層水に放出し、環境と公衆衛生のリスクを生じさせる。 従来の物理学に基づくモデルは効果的であるが、維持には費用がかかり、進化するシステムの力学に適応することが困難である。 機械学習アプローチは、より適応性の高いコスト効率の良い代替手段を提供する。
• 参考スコア（独自算出の注目度）: 1.0499611180329806
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Climate change increases the frequency of extreme rainfall, placing a significant strain on urban infrastructures, especially Combined Sewer Systems (CSS). Overflows from overburdened CSS release untreated wastewater into surface waters, posing environmental and public health risks. Although traditional physics-based models are effective, they are costly to maintain and difficult to adapt to evolving system dynamics. Machine Learning (ML) approaches offer cost-efficient alternatives with greater adaptability. To systematically assess the potential of ML for modeling urban infrastructure systems, we propose a protocol for evaluating Neural Network architectures for CSS time series forecasting with respect to predictive performance, model complexity, and robustness to perturbations. In addition, we assess model performance on peak events and critical fluctuations, as these are the key regimes for urban wastewater management. To investigate the feasibility of lightweight models suitable for IoT deployment, we compare global models, which have access to all information, with local models, which rely solely on nearby sensor readings. Additionally, to explore the security risks posed by network outages or adversarial attacks on urban infrastructure, we introduce error models that assess the resilience of models. Our results demonstrate that while global models achieve higher predictive performance, local models provide sufficient resilience in decentralized scenarios, ensuring robust modeling of urban infrastructure. Furthermore, models with longer native forecast horizons exhibit greater robustness to data perturbations. These findings contribute to the development of interpretable and reliable ML solutions for sustainable urban wastewater management. The implementation is available in our GitHub repository.
• Abstract（参考訳）: 気候変動によって極端な降雨頻度が増加し、特に複合下水システム(CSS)が都市インフラに大きな歪みを生じさせる。 汚染されたCSSからの過剰流出は未処理の排水を表層水に放出し、環境と公衆衛生のリスクを生じさせる。 従来の物理学に基づくモデルは効果的であるが、維持には費用がかかり、進化するシステムの力学に適応することが困難である。 機械学習(ML)アプローチは、より適応性の高いコスト効率の良い代替手段を提供する。 都市インフラシステムのモデリングにおけるMLの可能性を体系的に評価するために,予測性能,モデル複雑性,摂動に対する堅牢性に関するCSS時系列予測のためのニューラルネットワークアーキテクチャの評価手法を提案する。 さらに, 都市排水管理のキーレジームとして, ピークイベントと臨界変動のモデル性能を評価する。 IoTデプロイメントに適した軽量モデルの実現可能性を検討するために,すべての情報にアクセス可能なグローバルモデルと,近接センサ読み取りのみに依存するローカルモデルを比較した。 さらに,ネットワーク障害や都市インフラに対する敵攻撃によるセキュリティリスクを調査するために,モデルのレジリエンスを評価するエラーモデルを導入する。 その結果,グローバルモデルの方が高い予測性能を実現する一方で,地方モデルは分散化シナリオにおいて十分なレジリエンスを提供し,都市インフラの堅牢なモデリングを確実にすることを示した。 さらに、より長いネイティブな予測地平線を持つモデルは、データ摂動に対してより堅牢性を示す。 これらの知見は, 持続可能な都市排水管理のための解釈可能かつ信頼性の高いMLソリューションの開発に寄与する。 実装はGitHubリポジトリで公開しています。

関連論文リスト

• Fine Flood Forecasts: Incorporating local data into global models through fine-tuning [0.46040036610482665]
  洪水は自然災害の最も一般的な形態であり、早期警戒システムには正確な洪水予報が不可欠である。 これまでの研究によると、機械学習(ML)モデルは、大規模で地理的に異なるデータセットでトレーニングされた場合の洪水予測を改善するための有望な方法である。 このグローバルトレーニングの要件は、地域のパフォーマンスを改善するためにモデルを容易に適応できない国家の予測者にとって、所有権の喪失につながる可能性がある。 我々は、MLベースの水文予測システムの運用上の障壁を低くすることを目的として、独自のデータを用いてグローバルモデルのオーナシップを欲しがる国家予測者のロードマップを提供する。
  論文  参考訳（メタデータ） (2025-04-17T01:14:21Z)
• Efficient Self-Supervised Learning for Earth Observation via Dynamic Dataset Curation [67.23953699167274]
  自己教師付き学習(SSL)により、地球観測のための視覚基盤モデルの開発が可能になった。 EOでは、この課題は衛星画像に共通する冗長性と重尾分布によって増幅される。 本稿では,データセットの多様性とバランスを最大化し,SSL事前トレーニングを改善するために設計された動的データセットプルーニング戦略を提案する。
  論文  参考訳（メタデータ） (2025-04-09T15:13:26Z)
• Collaborative Imputation of Urban Time Series through Cross-city Meta-learning [54.438991949772145]
  メタ学習型暗黙的ニューラル表現(INR)を利用した新しい協調的計算パラダイムを提案する。 次に,モデルに依存しないメタ学習による都市間協調学習手法を提案する。 20のグローバル都市から得られた多様な都市データセットの実験は、我々のモデルの優れた計算性能と一般化可能性を示している。
  論文  参考訳（メタデータ） (2025-01-20T07:12:40Z)
• Deep Learning for Hydroelectric Optimization: Generating Long-Term River Discharge Scenarios with Ensemble Forecasts from Global Circulation Models [0.0]
  水力発電は世界のエネルギーマトリックスの重要な構成要素であり、特にブラジルのような国々ではエネルギー供給の大半を占めている。 しかし、気候の変動により本質的に不確実な河川流出への強い依存は、大きな課題を招いている。 伝統的に、統計モデルは、エネルギー最適化において河川の排出を表すために使われてきたが、しかしながら、これらのモデルは、気候の挙動が構造的に変化しているため、現実的なシナリオを生み出すことがますます困難になっている。
  論文  参考訳（メタデータ） (2024-12-16T16:37:27Z)
• Data-driven Modeling of Combined Sewer Systems for Urban Sustainability: An Empirical Evaluation [1.0499611180329806]
  気候変動は複雑な問題を引き起こし、極端な気象現象が頻繁になり、モデル化が困難になる。 降雨時の過バーデンド複合下水道は未処理排水を水面に流し込む。 ディープラーニング(DL)モデルは、下水道システムの複雑な力学をモデル化するためのコスト効率の良い代替手段を提供する。
  論文  参考訳（メタデータ） (2024-08-21T13:46:58Z)
• Physics-guided Active Sample Reweighting for Urban Flow Prediction [75.24539704456791]
  都市フロー予測は、バス、タクシー、ライド駆動モデルといった交通サービスのスループットを見積もる、微妙な時間的モデリングである。 最近の予測解は、物理学誘導機械学習(PGML)の概念による改善をもたらす。 我々は、PN(atized Physics-guided Network)を開発し、P-GASR(Physical-guided Active Sample Reweighting)を提案する。
  論文  参考訳（メタデータ） (2024-07-18T15:44:23Z)
• Deep Vision-Based Framework for Coastal Flood Prediction Under Climate Change Impacts and Shoreline Adaptations [0.3413711585591077]
  低データ環境下での高忠実度ディープビジョンに基づく沿岸洪水予測モデルを訓練するための体系的枠組みを提案する。 また,沿岸の洪水予測問題に特化して,CNNの深部構造を導入している。 開発したDLモデルの性能は、一般に採用されている測地回帰法に対して検証される。
  論文  参考訳（メタデータ） (2024-06-06T19:54:34Z)
• Weather Prediction with Diffusion Guided by Realistic Forecast Processes [49.07556359513563]
  気象予報に拡散モデル(DM)を適用した新しい手法を提案する。 提案手法は,同一のモデリングフレームワークを用いて,直接予測と反復予測の両方を実現できる。 我々のモデルの柔軟性と制御性は、一般の気象コミュニティにとってより信頼性の高いDLシステムに力を与えます。
  論文  参考訳（メタデータ） (2024-02-06T21:28:42Z)
• 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)
• Conditioned Human Trajectory Prediction using Iterative Attention Blocks [70.36888514074022]
  本研究では,都市環境における歩行者位置予測を目的とした,簡易かつ効果的な歩行者軌道予測モデルを提案する。 我々のモデルは、複数のアテンションブロックとトランスフォーマーを反復的に実行できるニューラルネットワークアーキテクチャである。 ソーシャルマスク, 動的モデル, ソーシャルプーリング層, 複雑なグラフのような構造を明示的に導入することなく, SoTAモデルと同等の結果が得られることを示す。
  論文  参考訳（メタデータ） (2022-06-29T07:49:48Z)
• Deep learning for improved global precipitation in numerical weather prediction systems [1.721029532201972]
  我々は、残差学習を用いた深層畳み込みニューラルネットワークのUNETアーキテクチャを、グローバルな降水モデルを学ぶための概念実証として使用しています。 その結果,インド気象局が使用した操作力学モデルと比較した。 この研究は、残差学習に基づくUNETが、目標降水量と物理的関係を解き放つことができることを示す概念実証である。
  論文  参考訳（メタデータ） (2021-06-20T05:10:42Z)
• Back2Future: Leveraging Backfill Dynamics for Improving Real-time Predictions in Future [73.03458424369657]
  公衆衛生におけるリアルタイム予測では、データ収集は簡単で要求の多いタスクである。 過去の文献では「バックフィル」現象とそのモデル性能への影響についてはほとんど研究されていない。 我々は、与えられたモデルの予測をリアルタイムで洗練することを目的とした、新しい問題とニューラルネットワークフレームワークBack2Futureを定式化する。
  論文  参考訳（メタデータ） (2021-06-08T14:48:20Z)

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。