A Deep Learning Autoregressive Forecasting Model for Probabilistic Water Pipe Break Prediction
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
Accurately predicting the likelihood of water pipe breaks is pivotal for proactive maintenance, cost-effective emergency repairs, and mitigating service disruptions. However, crafting a dependable predictive model for water pipeline breaks is formidable. The challenges stem from the sporadic and infrequent occurrences of breaks, irregular intervals between failures, intricate temporal dependencies among pipes with diverse attributes, and the unbalanced distribution of historical data. Although a considerable number of studies in recent years have developed forecasting models using classic statistical techniques, machine learning solutions, and deep learning methods, state-of-the-art models have yet to achieve the predictive power needed to help utilities transform their practices for risk-based proactive maintenance. This study addresses this need by developing and empirically examining the performance of a novel deep learning-based autoregressive forecasting model for probabilistic water pipe break prediction. Notably, the proposed probabilistic forecasting method integrates a multivariate/multidimensional autoregressive model with a recurrent neural network (RNN) in the form of a long short-term memory (LSTM) model to capture complex and irregular temporal patterns, characterizing dependencies and interrelationships among the time series of pipeline attributes over time, and transform the apprehended patterns to a probabilistic pipe failure prediction through a distribution-based mechanism. The proposed method was implemented to predict the likelihood of water pipe breaks in Calgary, Canada. The model was trained and validated using historical data from 1956 to 2019 and tested for its ability to predict breaks from 2020 to 2023. The results demonstrated that the proposed model exhibits strong predictive performance, achieving an area under the curve (AUC) score exceeding 99.96%. The outcomes of this study will help decision makers plan risk-based maintenance operations that prevent service disruptions and safeguard public health.
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 | 0,001 | 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