Short-Term Wastewater Influent Prediction Based on Random Forests and Multi-Layer Perceptron
Notice bibliographique
Résumé
Influent flow rate is a crucial parameter closely related to the plant-wide control of wastewater treatment plants (WWTPs). In this study, a random forest (RF) model and a multi-layer perceptron (MLP) model are developed for hourly influent flow rate prediction at a confidential WWTP in Canada. Both models perform well on predicting influent flow rate one-step ahead. The coefficient of determination (R2) values of MLP and RF for the testing data set are 0.927 and 0.925, respectively. Furthermore, the multi-step ahead prediction accuracy of the proposed models is discussed. To improve the multi-step ahead prediction accuracy of the RF model, time-tag information is transformed to numerical values and then fed into the RF model as input. The R2 values of the RF model for the testing data set with and without time-tag information are 0.334 and 0.811, respectively. The results show that the RF model’s performance for multi- step ahead prediction is heavily affected by the time-tag information. Including time-tag information as input could dramatically improve the multi-step ahead prediction accuracy. In this study, the RF model shows more robust performance than the MLP model on solving short-term wastewater influent prediction problems. Influent flow rate is a crucial parameter closely related to the plant-wide control of wastewater treatment plants (WWTPs). In this study, a random forest (RF) model and a multi-layer perceptron (MLP) model are developed for hourly influent flow rate prediction at a confidential WWTP in Canada. Both models perform well on predicting influent flow rate one-step ahead. The coefficient of determination (R2) values of MLP and RF for the testing data set are 0.927 and 0.925, respectively. Furthermore, the multi-step ahead prediction accuracy of the proposed models is discussed. To improve the multi-step ahead prediction accuracy of the RF model, time-tag information is transformed to numerical values and then fed into the RF model as input. The R2 values of the RF model for the testing data set with and without time-tag information are 0.334 and 0.811, respectively. The results show that the RF model’s performance for multi-step ahead prediction is heavily affected by the time-tag information. Including time-tag information as input could dramatically improve the multi-step ahead prediction accuracy. In this study, the RF model shows more robust performance than the MLP model on solving short-term wastewater influent prediction problems.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».