위생 하수도 범람(SSO)은 현재 자치단체가 직면한 주요 난제다. 주기적인 생산 및 생활로 인한 하수가 하수도로 유입되어 위생 하수도 범람(SSO)를 유발하는 것 외에, 이것의 또 다른 주요 원인은 비에 의한 유입과 침투(RDII)이다. 과도한 RDII는 하수관로에 유입 또는 침투해 SSO를 일으켜 하수관로, 도시건물, 도시환경, 지역사회에 심각한 피해를 입힐 수 있다. 동시에 지구온난화와 최근 극한 기후로 인한 폭우, 폭염 등으로 인해 하수도로 유입되거나 침투되는 하수가 많아지므로 하수관로의 부담과 하수의 범람 위험성이 높아진다. 따라서 재해를 예방하고 피해를 줄이기 위해서는 하수관로 시스템에 대한 정확한 ...
위생 하수도 범람(SSO)은 현재 자치단체가 직면한 주요 난제다. 주기적인 생산 및 생활로 인한 하수가 하수도로 유입되어 위생 하수도 범람(SSO)를 유발하는 것 외에, 이것의 또 다른 주요 원인은 비에 의한 유입과 침투(RDII)이다. 과도한 RDII는 하수관로에 유입 또는 침투해 SSO를 일으켜 하수관로, 도시건물, 도시환경, 지역사회에 심각한 피해를 입힐 수 있다. 동시에 지구온난화와 최근 극한 기후로 인한 폭우, 폭염 등으로 인해 하수도로 유입되거나 침투되는 하수가 많아지므로 하수관로의 부담과 하수의 범람 위험성이 높아진다. 따라서 재해를 예방하고 피해를 줄이기 위해서는 하수관로 시스템에 대한 정확한 시계열 예측이 필요하다.
최근 몇 년간 딥러닝 알고리즘은 복잡한 수문학적 시계열 예측에 널리 사용되어 정확하고 효과적인 방법임이 입증되었다. 본 논문에서는 희박한 오토인코더(SAE)와 양방향 장단기 메모리(bi-LSTM)을 기반으로 한 딥러닝 네트워크 모델을 이용하여 하수관로의 유량을 예측하고자 한다. 이 네트워크 모델은 데이터 전처리부분, SAE부분, bi-LSTM부분으로 구성된다. 우리는 고안된 네트워크 모델의 성능을 검증하기 위해 다른 센서를 통해 한국의 양주시 하수처리장으로부터 실제 하수관로의 시계열 데이터셋을 입수했다. 서로 다른 실험들을 통해 우리가 고안한 네트워크 모델의 예측 정확도가 기존의 예측 알고리즘보다 더욱 낫다는 것을 증명해냈다. 서로 다른 p-step 선행 예측의 경우, 고안된 네트워크 모델은 기존 예측 모델보다 예측 오류가 낮다. 동시에, 우리가 고안한 네트워크 모델은 고차원 시계열을 더욱 잘 다루며 예측 정확도 또한 더욱 높다.
따라서, 우리가 고안한 네트워크 모델은 실제 적용에 있어서 더욱 높은 예측 정확도를 가질 뿐만 아니라 강건하다고 할 수 있다.
위생 하수도 범람(SSO)은 현재 자치단체가 직면한 주요 난제다. 주기적인 생산 및 생활로 인한 하수가 하수도로 유입되어 위생 하수도 범람(SSO)를 유발하는 것 외에, 이것의 또 다른 주요 원인은 비에 의한 유입과 침투(RDII)이다. 과도한 RDII는 하수관로에 유입 또는 침투해 SSO를 일으켜 하수관로, 도시건물, 도시환경, 지역사회에 심각한 피해를 입힐 수 있다. 동시에 지구온난화와 최근 극한 기후로 인한 폭우, 폭염 등으로 인해 하수도로 유입되거나 침투되는 하수가 많아지므로 하수관로의 부담과 하수의 범람 위험성이 높아진다. 따라서 재해를 예방하고 피해를 줄이기 위해서는 하수관로 시스템에 대한 정확한 시계열 예측이 필요하다.
최근 몇 년간 딥러닝 알고리즘은 복잡한 수문학적 시계열 예측에 널리 사용되어 정확하고 효과적인 방법임이 입증되었다. 본 논문에서는 희박한 오토인코더(SAE)와 양방향 장단기 메모리(bi-LSTM)을 기반으로 한 딥러닝 네트워크 모델을 이용하여 하수관로의 유량을 예측하고자 한다. 이 네트워크 모델은 데이터 전처리부분, SAE부분, bi-LSTM부분으로 구성된다. 우리는 고안된 네트워크 모델의 성능을 검증하기 위해 다른 센서를 통해 한국의 양주시 하수처리장으로부터 실제 하수관로의 시계열 데이터셋을 입수했다. 서로 다른 실험들을 통해 우리가 고안한 네트워크 모델의 예측 정확도가 기존의 예측 알고리즘보다 더욱 낫다는 것을 증명해냈다. 서로 다른 p-step 선행 예측의 경우, 고안된 네트워크 모델은 기존 예측 모델보다 예측 오류가 낮다. 동시에, 우리가 고안한 네트워크 모델은 고차원 시계열을 더욱 잘 다루며 예측 정확도 또한 더욱 높다.
따라서, 우리가 고안한 네트워크 모델은 실제 적용에 있어서 더욱 높은 예측 정확도를 가질 뿐만 아니라 강건하다고 할 수 있다.
Sanitary sewer overflows (SSO) is currently the main challenge faced by municipalities. In addition to a large amount of wastewater from seasonal production and living entering the sewer system and causing sanitary sewer overflows (SSO), another major cause of sanitary sewer overflows (SSO) is the r...
Sanitary sewer overflows (SSO) is currently the main challenge faced by municipalities. In addition to a large amount of wastewater from seasonal production and living entering the sewer system and causing sanitary sewer overflows (SSO), another major cause of sanitary sewer overflows (SSO) is the rain derived inflow and infiltration (RDII). Excessive RDII will inflow or infiltrate into the sewage pipe system and cause sanitary sewer overflows (SSO), which will cause serious damage to the sewage pipe system, urban buildings, urban environment, and citizens. At the same time, due to global warming and extreme weather in recent years, heavy rain and high temperature will cause more wastewater to inflow or infiltrate into the sewer system and increase the burden of the sewer system and the risk of wastewater overflow. Therefore, it is particularly important to accurately predict the time-series flow in the sewer system, which plays an important role in disaster prevention, disaster reduction, and RDII evaluation.
In recent years, deep learning algorithms have been widely used in complex hydrological time series forecasting and have been proven to be accurate and effective methods. In this paper, we propose a deep learning network model based on Sparse Autoencoder and Bi-LSTM to predict the wastewater flow rate in sewers. This network model consists of the data preprocessing part, the Sparse Autoencoder network part, and the Bi-LSTM network part. We obtained real-world hydrological time series data sets from the Yangju City Sewage Treatment Plant in South Korea through different sensors to verify the performance of our proposed network model. Different experiments have proved that the prediction accuracy of our proposed network model is significantly better than traditional prediction algorithms. For different p-step ahead predictions, our proposed network model has lower prediction errors than traditional prediction models. At the same time, our proposed network model is better at dealing with high-dimensional time series and also exhibits higher prediction accuracy.
Therefore, our proposed network model not only has higher prediction accuracy in real applications but also has more robust.
Sanitary sewer overflows (SSO) is currently the main challenge faced by municipalities. In addition to a large amount of wastewater from seasonal production and living entering the sewer system and causing sanitary sewer overflows (SSO), another major cause of sanitary sewer overflows (SSO) is the rain derived inflow and infiltration (RDII). Excessive RDII will inflow or infiltrate into the sewage pipe system and cause sanitary sewer overflows (SSO), which will cause serious damage to the sewage pipe system, urban buildings, urban environment, and citizens. At the same time, due to global warming and extreme weather in recent years, heavy rain and high temperature will cause more wastewater to inflow or infiltrate into the sewer system and increase the burden of the sewer system and the risk of wastewater overflow. Therefore, it is particularly important to accurately predict the time-series flow in the sewer system, which plays an important role in disaster prevention, disaster reduction, and RDII evaluation.
In recent years, deep learning algorithms have been widely used in complex hydrological time series forecasting and have been proven to be accurate and effective methods. In this paper, we propose a deep learning network model based on Sparse Autoencoder and Bi-LSTM to predict the wastewater flow rate in sewers. This network model consists of the data preprocessing part, the Sparse Autoencoder network part, and the Bi-LSTM network part. We obtained real-world hydrological time series data sets from the Yangju City Sewage Treatment Plant in South Korea through different sensors to verify the performance of our proposed network model. Different experiments have proved that the prediction accuracy of our proposed network model is significantly better than traditional prediction algorithms. For different p-step ahead predictions, our proposed network model has lower prediction errors than traditional prediction models. At the same time, our proposed network model is better at dealing with high-dimensional time series and also exhibits higher prediction accuracy.
Therefore, our proposed network model not only has higher prediction accuracy in real applications but also has more robust.
AI-Helper
※ AI-Helper는 부적절한 답변을 할 수 있습니다.