[論文レビュー] DeepCSO: Forecasting of Combined Sewer Overflow at a Citywide Level using Multi-task Deep Learning

Duo Zhang, Geir Lindholm+1 more|arXiv (Cornell University)|Nov 9, 2018

Flood Risk Assessment and Management参考文献 15被引用数 3

ひとこと要約

DeepCSOは、都市全体の下水道網における直近のリアルタイムでの合流下水溢水（CSO）イベントを予測するためのマルチタスクディープラーニングモデルを提案する。データ駆動型の柔軟性と決定論的モデルからの構造的知見を統合することで、都市規模のCSO予測において、従来の手法よりも精度とスケーラビリティに優れたアプローチを実現する。

ABSTRACT

Combined Sewer Overflow (CSO) is a major problem to be addressed by many cities. Understanding the behavior of sewer system through proper urban hydrological models is an effective method of enhancing sewer system management. Conventional deterministic methods, which heavily rely on physical principles, is inappropriate for real-time purpose due to their expensive computation. On the other hand, data-driven methods have gained huge interests, but most studies only focus on modeling a single component of the sewer system and supply information at a very abstract level. In this paper, we proposed the DeepCSO model, which aims at forecasting CSO events from multiple CSO structures simultaneously in near real time at a citywide level. The proposed model provided an intermediate methodology that combines the flexibility of data-driven methods and the rich information contained in deterministic methods while avoiding the drawbacks of these two methods. A comparison of the results demonstrated that the deep learning based multi-task model is superior to the traditional methods.

研究の動機と目的

• 計算コストが高く、リアルタイム応用に不適切な従来の決定論的水文モデルの限界を解消すること。
• 個々の下水道構造部の焦点に偏り、抽象的レベルのインサイトしか提供しない既存のデータ駆動型手法の欠点を克服すること。
• 複数のCSO構造を同時に捉える複雑な相互作用を把握できる、スケーラブルで都市規模の予測システムを開発すること。
• データ駆動型モデルと物理ベースのモデルの間のギャップを埋めるために、構造的情報を組み込みつつ計算効率を維持すること。
• 都市下水道管理の予防的対応および洪水緩和を支援するため、CSOイベントのニアリアルタイム予測を可能にすること。

提案手法

• 都市全体の下水道網にまたがる複数のCSO排出口における溢水イベントを同時に予測するマルチタスクディープラーニングフレームワークを設計すること。
• 複数の場所における降雨および流量データの時間的依存性をモデル化するために、長短期記憶（LSTM）ネットワークを用いること。
• 下水道網のトポロジーから得られる構造的および空間的情報を統合し、学習プロセスをガイドし、一般化性能を向上させること。
• 複数のCSOモニタリングポイントからの歴史的降雨および流量データを用いて、エンドツーエンドでモデルを学習させ、場所間ダイナミクスを捉えること。
• 限られたデータにおける過学習を低減し、一般化性能を向上させるために、タスク間で共有表現学習を適用すること。
• すべてのCSO地点における予測精度をバランスさせるマルチタスク損失関数を用いて、モデルを最適化すること。

実験結果

リサーチクエスチョン

• RQ1 ディープラーニングモデルは、都市全体の複数の場所で同時に高い精度でCSOイベントを効果的に予測できるか？
• RQ2 下水道網のトポロジー情報の統合は、データ駆動型CSO予測モデルの性能をどのように向上させるか？
• RQ3 マルチタスク学習は、単一タスクモデルと比較して、予測精度と一般化性能をどの程度向上させるか？
• RQ4 提案されたモデルは、高い予測性能を維持しつつ、リアルタイム予測能力を達成できるか？
• RQ5 精度とスケーラビリティの観点から、従来の決定論的モデルおよび単一タスクデータ駆動型アプローチと比較して、モデルはどのように差をつけるか？

主な発見

• DeepCSOモデルは、下水道網全体における複雑な非線形ダイナミクスを捉える点で、従来の決定論的モデルよりも顕著に優れた予測精度を示す。
• マルチタスク学習により、関連するタスク間での知識移転が可能となり、すべてのCSO地点における予測性能が向上する。
• 下水道網のトポロジー情報の統合により、一般化性能が向上し、特にデータが乏しい場所での過学習が低減する。
• モデルはニアリアルタイムでの推論能力を達成しており、都市下水道管理システムにおける運用用途に適している。
• 定量的評価では、平均絶対誤差（MAE）および決定係数（R²）の観点で、ベースラインモデルよりも優れた性能が示された。
• モデルは都市全体の下水道網における空間的・時間的依存関係を効果的に捉えており、統合的な洪水緩和戦略の実現を可能にする。