城市可持续性下的数据驱动式城市混合排水系统建模：实证评估

气候变化带来了复杂挑战，极端天气事件日益频发且难以建模。其中一种例子是城市混合排水系统（CSS）的动力学。在大雨期间，负荷超载的CSS会将未经处理的废水排入水体。经典的建模极端降雨事件影响的方法依赖于物理仿真，而对于大型城市基础设施而言，创建物理仿真尤其具有挑战性。深度学习（DL）模型为建模排水系统的复杂动力学提供了具有成本效益的替代方案。本研究对多种最新DL时间序列模型进行了全面实证评估，用于预测大型城市基础设施中排水系统的动力学，利用了三年的测量数据。我们特别调查了DL模型在网络中断情况下维持预测精度的潜力，通过比较全局模型（拥有排水系统中所有变量的访问权限）和局部模型（仅限于受限局部传感器数据集的访问权限）。我们的发现表明，DL模型能够准确预测排水系统负荷的动力学，即使在网络中断的情况下亦可如此。这些结果表明，DL模型可以有效地帮助在CSS中实现负荷重新分配，从而增强城市基础设施的可持续性和韧性。