網路議題

線上機器學習模型準確預測污水進流速率

線上機器學習模型準確預測污水進流速率紐約時報 - 2023 年 10 月 23 日準確預測污水處理廠進流速率對於適當執行廠區設施至關重要。進流速率指的是進入廠區的未經處理水。透過準確預測進流速率，廠區操作者能夠規劃資源的有效使用。早期的研究證實資料驅動模型是有效的工具，但大部分的研究都集中在批次學習 .... (往下繼續閱讀)

  • by 程宇肖
  • 2023/10/24
  • 6 分鐘閱讀時間
分享到 Facebook 分享到 Line 分享到 Twitter

文章目錄

線上機器學習模型準確預測污水進流速率

線上機器學習模型準確預測污水進流速率

紐約時報 - 2023 年 10 月 23 日

準確預測污水處理廠進流速率對於適當執行廠區設施至關重要。進流速率指的是進入廠區的未經處理水。透過準確預測進流速率，廠區操作者能夠規劃資源的有效使用。早期的研究證實資料驅動模型是有效的工具，但大部分的研究都集中在批次學習上，然而在 COVID-19 時代，進流模式發生了顯著的變化，因此批次學習已被證實無法應付污水預測的問題。

批次學習和線上學習

批次學習是指在一段時間內收集資料，並從這些資料中批次訓練機器學習模型。相較之下，線上學習則在新的資料到達時進行模型訓練。儘管批次學習模型通常工作速度更快，且需要較少的計算資源，但對於處理大型和變化資料集的靈活性不如線上學習模型。傳統的批次學習預測模型不適用於輸入-輸出關係發生變化的預測問題。

在 COVID-19 大流行期間，批次學習方法的缺點更加明顯，因為與 COVID-19 相關的封鎖措施改變了輸入-輸出關係。研究團隊轉向線上學習模型，以確保它們是否能夠克服這些約束。麥克馬斯特大學土木工程師 Pengxiao Zhou 表示："在 COVID-19 封鎖情況下，我們利用新的機器學習技術增強了對污水進流速率的預測能力。"

研究結果和應用

研究團隊開發的線上學習模型分別為自適應隨機森林（Adaptive Random Forest）、自適應 K 最近鄰（Adaptive K-Nearest Neighbors）和自適應多層感知機（Adaptive Multi-Layer Perception）。這些模型是基於傳統的批次學習模型，即隨機森林（Random Forest）、K 最近鄰（K-Nearest Neighbors）和多層感知機（Multi-Layer Perception）。

研究團隊使用加拿大兩個污水處理廠三到四年的逐時進流速率和氣象資料來開發模型。他們將自己開發的線上學習模型與相應的批次學習模型進行比較，並預測了兩個廠區的進流速率。研究團隊進行了兩種不同的情境。一種情境是預測 24 小時後的進流速率，另一種情境則沒有預測時間。他們的線上學習模型在資料模式變化下進行了準確的預測。這些模型在處理連續和大型進流資料流時非常高效。研究團隊發現線上學習模型優於批次學習模型。Zhou 表示："我們提出的新線上學習模型可以為污水操作者或管理者提供更強大的決策支援，以應對由 COVID-19 等緊急情況引起的進流模式變化。"

未來展望

團隊未來的研究將包括更多案例研究，並考慮更多的預測情境，以進一步取證所開發的模型。Zhou 表示："最終目標是提供可靠的污水管理工具，推動污水智慧化的發展。"

這項研究成果將有潛力應用於商業污水模擬軟體，並為污水管理提供可靠的決策支援。

原文網址: https://techxplore.com/news/2023-10-online-machine-accurately-wastewater-influent.html

MachineLearning-線上機器學習,模型準確度,預測,污水進流速率

花匠、有思考力的 AI 和「到來心靈的悖論」：Snoop Dogg 為主角的故事

Instagram 測試取證帳號專屬動態流

程宇肖

程宇肖

Reporter

大家好！我是程宇肖，我對於科技的發展和應用有著濃厚的興趣，並致力於將最新的科技趨勢和創新帶給大家。科技領域的變化速度驚人，每天都有令人興奮的新發現和突破。作為一名部落格作者，我將帶領大家深入探索科技的奧秘和應用的無限可能。