利用机器学习评估并预防供水主管爆管风险
应用统计
2018-05-10 v1
摘要
美国的供水基础设施正开始显现老化迹象，尤其表现为供水主管爆管。爆管给居民和企业的日常生活带来重大干扰。纽约州锡拉丘兹市（如同大多数城市）对供水主管故障采取被动应对而非主动预防的处理方式。主动维护的一大障碍在于该市无法预测其部分基础设施的故障风险。为此，我们与该市合作构建了一个机器学习（ML）系统，用于评估供水主管爆管的风险。利用已发生故障主管的历史数据、管道描述信息及其他数据源，我们评估了若干模型预测未来三年爆管的能力。结果表明，在多种算法与专家启发式方法中，采用梯度提升决策树的系统表现最佳，其精确率@1（P@1）达到0.62。我们的模型优于随机基线（P@1为0.08）以及诸如供水主管年龄（P@1为0.10）和过往爆管历史（P@1为0.48）等专家启发式方法。该模型已在锡拉丘兹市部署。我们利用截至2015年底的数据，计算2016–2018年间每个城市街区的故障风险，开展了一项试点；截至2017年底，在我们风险最高的52条主管上已发生33次爆管。对锡拉丘兹市而言，这是一项改善其基础设施的成功举措，我们相信该方法可推广至其他城市。
引用
@article{arxiv.1805.03597,
title = {Using Machine Learning to Assess the Risk of and Prevent Water Main Breaks},
author = {Avishek Kumar and Syed Ali Asad Rizvi and Benjamin Brooks and R. Ali Vanderveld and Kevin H. Wilson and Chad Kenney and Sam Edelstein and Adria Finch and Andrew Maxwell and Joe Zuckerbraun and Rayid Ghani},
journal= {arXiv preprint arXiv:1805.03597},
year = {2018}
}
备注
SIGKDD'18 London, United Kingdom