面向水务资产管理的预测分析:机器学习与生存分析
信号处理
2020-07-09 v1 机器学习
机器学习
摘要
理解性能并在整个生命周期内优先配置资源以维护饮用水管道网络,是水务资产管理的关键环节。这一重要网络的翻新通常受限于难以或无法物理接触管道。我们研究了一种用于预测水管故障的统计与机器学习框架。我们采用经典与现代分类器进行短期预测,并运用生存分析提供更宽泛的视角与长期预测,而这通常是翻新经济性分析所需的。为丰富这些模型,我们引入基于供水领域知识的新预测变量,并采用现代过采样技术以缓解每年观测到的少数故障所带来的高度不平衡。在我们的案例研究中,使用了包含西班牙巴塞罗那供水网络内所有管道故障记录的数据集。结果揭示了重要风险因素(如管道几何、年龄、材料与覆土等)的影响,并可帮助水务管理者开展更具信息依据的预测性维护任务。
引用
@article{arxiv.2007.03744,
title = {Predictive Analytics for Water Asset Management: Machine Learning and Survival Analysis},
author = {Maryam Rahbaralam and David Modesto and Jaume Cardús and Amir Abdollahi and Fernando M Cucchietti},
journal= {arXiv preprint arXiv:2007.03744},
year = {2020}
}
备注
19 pages, 7 figures