[论文解读] 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 3

一句话总结

DeepCSO 提出了一种多任务深度学习模型，可在近实时状态下预测整个城市污水管网络的合流制溢流（CSO）事件。通过将数据驱动的灵活性与确定性模型的结构化洞察相结合，该方法在准确性和可扩展性方面优于传统方法，适用于城市级CSO预测。

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.

研究动机与目标

• 解决传统确定性水文模型的局限性，这些模型计算成本高，不适合实时应用。
• 克服现有数据驱动方法的不足，这些方法仅关注孤立的污水管组件，且仅提供抽象层面的洞察。
• 开发一种可扩展的城市级预测系统，能够同时捕捉多个CSO结构之间的复杂相互作用。
• 通过整合结构信息在数据驱动模型与基于物理的模型之间建立桥梁，同时保持计算效率。
• 实现实时预测CSO事件，以支持主动的城市排水管理与洪水缓解。

提出的方法

• 设计一种多任务深度学习框架，联合预测城市级污水管网络中多个CSO排出口的溢流事件。
• 使用长短期记忆（LSTM）网络对多个位置的降雨和流量数据中的时间依赖性进行建模。
• 整合污水管网络拓扑结构中的结构与空间信息，以指导学习过程并提升泛化能力。
• 使用来自多个CSO监测点的历史降雨和流量数据，端到端训练模型，以捕捉不同位置之间的动态关系。
• 通过任务间的共享表征学习，提升泛化能力，并减少在数据有限情况下的过拟合。
• 采用多任务损失函数优化模型，以平衡所有CSO位置的预测准确性。

实验结果

研究问题

• RQ1 深度学习模型能否在高精度下同时预测城市多个位置的CSO事件？
• RQ2 整合污水管网络结构信息在多大程度上提升了数据驱动CSO预测模型的性能？
• RQ3 与单任务模型相比，多任务学习在多大程度上提升了预测精度和泛化能力？
• RQ4 所提出的模型能否在保持高预测性能的同时实现实时预测能力？
• RQ5 与传统确定性模型和单任务数据驱动方法相比，该模型在准确性和可扩展性方面表现如何？

主要发现

• DeepCSO模型在预测准确性方面显著优于传统确定性模型，尤其在捕捉污水管网络中复杂的非线性动态方面表现突出。
• 多任务学习通过在相关任务之间实现知识迁移，提升了所有CSO位置的预测性能。
• 整合污水管网络拓扑结构显著增强了模型的泛化能力并减少了过拟合，尤其在数据稀缺区域表现更优。
• 该模型实现了近实时推理能力，适用于城市排水管理系统中的实际运行。
• 定量结果表明，与基线模型相比，该模型在平均绝对误差（MAE）和决定系数（R²）方面表现更优。
• 该模型有效捕捉了城市级污水管网络中的时空依赖关系，支持协同洪水缓解策略的制定。