A clustering solution for analyzing residential water consumption patterns
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Water utility companies in urban areas face two major challenges: ensuring there is enough water for everyone during prolonged drought and maintaining adequate water pressure during the hours of peak demand. These issues can be overcome by applying data analytics and machine learning to the data gathered from digital water meters. For water conservation and demand management strategies to be effective, utility companies need to gain a better understanding of consumer behaviours, habits and routines. To accomplish this goal, we adapted a clustering approach to reveal residential water consumption patterns within metered data. In the experiment, we used two data sets (engineered features data set as well as the times of use and weighted probabilities of use data set) based on the data collected over 10 months from 306 households in Melbourne, Australia. For the engineered features data set, first, we identified the number of optimal clusters. We then performed extensive experiments to find the best clustering approach in terms of performance evaluation and clustering quality . We chose the hierarchical agglomerative clustering technique based on the nature of the data and the objective of the study. We observed that for the engineered features data set, k-means is the best performing clustering technique after considering performance metrics. For the other data set, we found that the number of clusters varies based on the type of water-consumption event, type of day (i.e., weekday or weekend), profiling interval and probability of use. In addition, we observed that insight into tap-water usage could be used to determine the population’s adaptation of hygiene practices in an unprecedented time, such as the COVID-19 pandemic. Finally, we recommend that future clustering studies also employ aligned socio-demographic data and other key features.
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.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 découle