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

要約

気候変動は極端な降雨の頻度を増加させ、都市インフラ、特に下水道システム（CSS）に大きな負担をかけます。
過激なCSSからのオーバーフローは、未処理の廃水を地表水に放出し、環境と公衆衛生のリスクをもたらします。
従来の物理ベースのモデルは効果的ですが、維持するのに費用がかかり、進化するシステムのダイナミクスに適応するのが困難です。
機械学習（ML）アプローチは、適応性を高めるための費用効率の高い代替品を提供します。
都市インフラストラクチャシステムをモデル化するためのMLの可能性を体系的に評価するために、予測パフォーマンス、モデルの複雑さ、および摂動に対する堅牢性に関するCSS時系列予測のニューラルネットワークアーキテクチャを評価するためのプロトコルを提案します。
さらに、都市廃水管理の重要な体制であるため、ピークイベントと重大な変動のモデルパフォーマンスを評価します。
IoTの展開に適した軽量モデルの実現可能性を調査するために、すべての情報にアクセスできるグローバルモデルを比較します。
さらに、ネットワークの停止または都市インフラストラクチャに対する敵対的な攻撃によってもたらされるセキュリティリスクを調査するために、モデルの回復力を評価するエラーモデルを導入します。
私たちの結果は、グローバルモデルがより高い予測パフォーマンスを達成する一方で、ローカルモデルは分散型シナリオで十分な回復力を提供し、都市インフラストラクチャの堅牢なモデリングを確保することを示しています。
さらに、より長いネイティブ予測視野を持つモデルは、データの摂動に対してより大きな堅牢性を示します。
これらの調査結果は、持続可能な都市廃水管理のための解釈可能で信頼できるMLソリューションの開発に貢献しています。
実装はGitHubリポジトリで利用できます。

要約(オリジナル)

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.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google