[논문 리뷰] DeepCSO: Forecasting of Combined Sewer Overflow at a Citywide Level using Multi-task Deep Learning

Duo Zhang, Geir Lindholm외 1명|arXiv (Cornell University)|2018. 11. 09.

Flood Risk Assessment and Management참고 문헌 15인용 수 3

한 줄 요약

DeepCSO는 도시 전체 하수관망에서 거의 실시간으로 복합하수오버플로우(CSO) 사건을 예측하기 위한 다중작업 딥러닝 모델을 제안한다. 데이터 기반의 유연성과 결정론적 모델에서 유래한 구조적 통찰을 융합함으로써, 도시 전체의 CSO 예측에서 기존 방법보다 정확도와 확장성 면에서 뛰어난 성능을 발휘한다.

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.

연구 동기 및 목표

• 계산 비용이 높고 실시간 응용에 부적합한 전통적인 결정론적 수문학 모델의 한계를 해결하기 위해.
• 고립된 하수구 요소에만 초점을 맞추고 개괄적인 수준의 통찰만 제공하는 기존 데이터 기반 방법의 단점을 극복하기 위해.
• 다양한 CSO 구조물 간의 복잡한 상호작용을 동시에 포괄하는 확장 가능한 도시 전체 예측 시스템을 개발하기 위해.
• 데이터 기반 모델과 물리 기반 모델 간 격차를 메우기 위해 구조적 정보를 통합하면서도 계산 효율성을 유지하기 위해.
• 도시 배수 관리 및 홍수 완화를 위한 사전 대응을 지원할 수 있도록 CSO 사건의 거의 실시간 예측을 가능하게 하기 위해.

제안 방법

• 도시 전체 하수관망의 다수 CSO 배수구에서 동시에 오버플로우 사건을 예측할 수 있도록 다중작업 딥러닝 프레임워크를 설계한다.
• 다양한 위치에서의 강우 및 유량 데이터의 시간적 의존성을 모델링하기 위해 장기 단기 기억(LSTM) 네트워크를 사용한다.
• 하수관망의 구조적 및 공간적 정보를 활용해 학습 과정을 안내하고 일반화 능력을 향상시킨다.
• 다양한 CSO 모니터링 지점의 역사적 강우 및 유량 데이터를 사용해 종합적으로 모델을 훈련시켜 지점 간 동역학을 포착한다.
• 제한된 데이터에서 오버피팅을 줄이고 일반화 능력을 향상시키기 위해 작업 간 공유 표현 학습을 적용한다.
• 모든 CSO 위치에서의 예측 정확도를 균형 있게 유지하기 위해 다중작업 손실 함수를 최적화한다.

실험 결과

연구 질문

• RQ1 딥러닝 모델이 도시 전역의 다수 위치에서 동시에 고정확도로 CSO 사건을 효과적으로 예측할 수 있는가?
• RQ2 하수관망의 구조적 정보 통합이 데이터 기반 CSO 예측 모델의 성능을 어떻게 향상시키는가?
• RQ3 다중작업 학습이 단일작업 모델 대비 예측 정확도와 일반화 능력을 얼마나 향상시키는가?
• RQ4 제안된 모델이 높은 예측 성능를 유지하면서도 실시간 예측 능력을 확보할 수 있는가?
• RQ5 정확도와 확장성 측면에서 기존의 결정론적 모델 및 단일작업 데이터 기반 접근 방식과 비교해 모델 성능는 어떻게 되는가?

주요 결과

• DeepCSO 모델은 하수관망 전반에서 발생하는 복잡한 비선형 동역학을 포착하는 데 있어 기존 결정론적 모델보다 예측 정확도에서 뚜렷한 우수성을 보였다.
• 다중작업 학습은 관련된 작업 간 지식 전이를 가능하게 하여 모든 CSO 위치에서의 예측 성능 향상에 기여한다.
• 하수관망의 구조적 구조 정보 통합은 모델의 일반화 능력을 향상시키고, 특히 데이터가 부족한 지역에서 오버피팅을 감소시킨다.
• 모델은 거의 실시간 추론 능력을 확보하여 도시 배수 관리 시스템의 운영적 활용에 적합하다.
• 정량적 결과는 평균 절대 오차(MAE)와 결정계수(R²) 측면에서 기준 모델 대비 뛰어난 성능을 입증한다.
• 모델은 도시 전체 하수관망에서 공간적·시간적 의존성을 효과적으로 포착하여 통합적인 홍수 완화 전략 수립을 가능하게 한다.