用于生成合成时间序列数据的贝叶斯生成对抗网络（GAN）及其在合流制污水管流量预测中的应用
机器学习
2023-02-01 v1
摘要
尽管在机器学习与数据分析技术方面取得了各种突破以改进城市水务基础设施的智能运行与管理，一些关键限制阻碍了这一进展。在这些不足中，由于数据隐私或数据收集成本高昂导致自由可用数据的缺失，以及可用数据中充足罕见或极端事件的 nonexistence 起着关键作用。在此，生成对抗网络（GANs）可帮助克服这些挑战。在机器学习中，生成模型是一类能够学习数据分布以生成人工数据的方法。在本研究中，我们开发了GAN模型来生成合成时间序列，以平衡我们有限的记录时间序列数据并提高数据驱动模型在合流制污水管流量预测中的精度。我们考虑德国一个小镇的污水系统作为测试用例。降水与进入储水池的流入量用于数据驱动模型开发。目标是利用降水数据预测流量，并检验使用合成数据进行数据增强对模型性能的影响。结果表明，GAN能成功地从真实数据分布生成合成时间序列，有助于更精确的峰值流量预测。然而，无数据增强的模型在干旱天气预测方面表现更好。因此，建议采用集成模型以结合两种模型的优势。
引用
@article{arxiv.2301.13733,
title = {A Bayesian Generative Adversarial Network (GAN) to Generate Synthetic Time-Series Data, Application in Combined Sewer Flow Prediction},
author = {Amin E. Bakhshipour and Alireza Koochali and Ulrich Dittmer and Ali Haghighi and Sheraz Ahmad and Andreas Dengel},
journal= {arXiv preprint arXiv:2301.13733},
year = {2023}
}
备注
Accepted in WDSA/CCWI 2022 Conference