基于倾斜高斯分布的城市用水需求模式分解：用于行为洞察与运营规划
机器学习
2025-05-27 v1
摘要
本研究提出一种新方法，用于基于倾斜高斯分布(SGD)分解城市用水需求模式，以获得行为洞察并支持运营规划。小时级需求轮廓包含有关长期基础设施设计和日常运营的关键信息，影响网络压力、水质量、能源消耗以及整体可靠性。通过将每个日需求曲线分解为基线组件和离散峰值组件，提出的SGD方法以可解释的参数刻画每个峰值，包括峰值幅度、时序(均值)、扩散(持续时间)和偏斜(不对称性)，从而重构观察到的模式并揭示潜在的使用动态。这种基于峰值的详细分解使得可用于运营应用（如异常和泄漏检测、实时需求管理）以及战略分析（如识别行为变化、季节性影响或政策对消费模式的影响）。与传统对称高斯或纯统计时间序列模型不同，SGD显式捕捉不对称峰形（如尖锐的晨间浪潮后逐渐下降），提高了合成模式生成的保真度，并增强了对不规则消费行为的检测。该方法在多个真实数据集上进行演示，显示SGD在还原精度方面优于对称高斯模型，平均根均方误差降低超过50%，同时保持物理可解释性。SGD框架还可用于构建带所选特征的日峰值轮廓的合成需求情景。所有实现代码均公开于：https://github.com/Relkayam/water-demand-decomposition-sgd
引用
@article{arxiv.2505.18245,
title = {Decomposition of Water Demand Patterns Using Skewed Gaussian Distributions for Behavioral Insights and Operational Planning},
author = {Roy Elkayam},
journal= {arXiv preprint arXiv:2505.18245},
year = {2025}
}