Impact of Data Preparation on the Performance of Pipe Break Status Prediction Models
Notice bibliographique
Résumé
Water distribution pipes convey clean drinking water to billions of end users around the globe. Unexpected pipe breaks can lead to several challenges, including reduced fire-fighting capability and contamination. Recent studies have developed machine learning models to predict pipe break status. Because the number of pipes that have never experienced breaks generally outnumbers broken pipes, pipe break data sets are inherently imbalanced. For this reason, different approaches for data preparation might yield different model performances. This study explored the impact of different data preparation strategies on the performance of pipe break status prediction for a case study water distribution system. The system had 55,561 pipes and 28,815 breaks recorded between 1970 and 2019. Because ANN, decision trees, XGBoost, and logistic regression were shown to perform well for similar models they were applied to all model variations. Four areas of variation were explored: (1) break type, (2) break period, (3) data splitting, and (4) data sampling. Firstly, data sets with first breaks and all breaks were compared. Secondly, break status was aggregated into one-year or five-year periods. Thirdly, random split of data and split by time period were compared. Fourthly, no sampling and undersampling of non-broken pipes was compared. In all cases, the last 10 years of data was excluded from training to ensure comparability of test results. All models were evaluated with F1 scores and AUC. Findings indicated that random data sampling and undersampling lead to skewed results. Future studies should consistently evaluate models based on selected time periods to better reflect real model performance.
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 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».