[论文解读] Predicting Urban Water Quality with Ubiquitous Data

Liu Ye, Yuxuan Liang+3 more|arXiv (Cornell University)|Oct 29, 2016

Water Quality Monitoring Technologies参考文献 63被引用 41

一句话总结

本文提出了一种数据驱动的时空多任务多视角学习框架（stMTMV），利用气象、兴趣点（POIs）、管网网络和实时水质读数等异构城市数据源，预测多个监测站的城镇水质。该方法在1–4小时预测中实现了85%的预测准确率，相比单任务和单视角基线模型，均方误差（RMSE）降低了11–12%。

ABSTRACT

Urban water quality is of great importance to our daily lives. Prediction of urban water quality help control water pollution and protect human health. However, predicting the urban water quality is a challenging task since the water quality varies in urban spaces non-linearly and depends on multiple factors, such as meteorology, water usage patterns, and land uses. In this work, we forecast the water quality of a station over the next few hours from a data-driven perspective, using the water quality data and water hydraulic data reported by existing monitor stations and a variety of data sources we observed in the city, such as meteorology, pipe networks, structure of road networks, and point of interests (POIs). First, we identify the influential factors that affect the urban water quality via extensive experiments. Second, we present a multi-task multi-view learning method to fuse those multiple datasets from different domains into an unified learning model. We evaluate our method with real-world datasets, and the extensive experiments verify the advantages of our method over other baselines and demonstrate the effectiveness of our approach.

研究动机与目标

• 解决城市水质在时空维度上非线性、多因素变化的挑战。
• 识别影响城市水质的关键因素，如气象条件、兴趣点（POIs）、管网网络和用水模式。
• 开发统一的学习模型，以捕捉各站点特有的局部动态以及站点之间的全局空间相关性。
• 实现实时、高精度的水质预测，以支持主动的水资源管理与污染控制。

提出的方法

• 通过广泛的数据分析，识别影响水质的关键时空因素，包括气象条件、POI密度、管网属性以及一天中不同时段的模式。
• 设计一种时空多任务多视角学习（stMTMV）框架，联合建模多个水质监测站（多任务），并融合来自不同数据源的信息（多视角）。
• 通过共享特征学习与任务特定特征学习，将异构数据流（包括水质、水力数据、道路网络、POIs和天气）整合为统一的表征。
• 在stMTMV框架中使用径向基函数（RBF）网络作为基础回归器，以建模数据中复杂的非线性关系。
• 应用多任务学习，在不同站点之间共享信息，提升泛化能力，尤其对历史数据较少的站点具有显著优势。
• 利用多视角学习，挖掘不同数据领域（如空间结构与时间天气趋势）之间的互补信号，从而增强模型的鲁棒性与准确性。

实验结果

研究问题

• RQ1 哪些时空因素在不同监测站中显著影响城市水质？
• RQ2 如何有效融合多种异构数据源（如POIs、管网网络、天气）以提升水质预测性能？
• RQ3 与独立的站点级模型相比，建模站点间的空间相关性在多大程度上提升了预测准确性？
• RQ4 多任务、多视角学习框架是否能在城市水质预测中超越单任务或单视角基线模型？

主要发现

• stMTMV框架在预测未来1–4小时水质方面，预测准确率约为85%，显著优于传统的RC衰减模型。
• 与单任务学习（LR）相比，RMSE降低约11%；与单视角基线模型（t-view和s-view）相比，RMSE降低11–12%。
• 气象数据、POI分布和管网属性被识别为影响水质变化的最重要因素之一。
• 整合空间特征（如道路网络、POIs）与时间特征（如一天中不同时段、温度）显著提升了模型性能。
• 多任务学习通过在站点之间共享知识，有效缓解了数据稀缺问题，尤其显著改善了观测不足区域的预测效果。
• 所提出的框架具有良好的可迁移性，可推广应用于城市计算中其他多地点时空预测问题。