「前例のない緊急事態下でのオンライン機械学習による流水下水の influent（流入）流量予測」

「前例のない緊急事態下におけるオンライン機械学習を用いた流水下水 influent（流入）流量予測の革新的研究」

流入量を正確に予測することは、下水処理場のオペレーターやマネージャーにとって必要不可欠です。簡単に言うと、インフルエントフローは処理場に入る未処理水です。この予測は、生物化学的酸素要求量（BOD）、全懸濁固形物（TSS）、およびpHなどの排水特性と密接に関連しています。

以前の研究では、データ駆動型モデルがインフルエントフローを効果的に予測することが示されていました。しかし、これらの研究の多くは、データが時間をかけて収集され、機械学習モデルがバッチでトレーニングされるバッチ学習に焦点を当てていました。このアプローチは有用ですが、特にCOVID-19時代には見直す必要がありました。なぜなら、影響力のあるパターンが大幅に変化したからです。

機械学習では、バッチ学習は時間をかけてデータを分割して処理することを意味します。対照的に、オンライン学習は新しいデータが利用可能になるたびにモデルを継続的にトレーニングすることを意味します。COVID-19の影響で、バッチ学習アプローチの制約がCOVID-19のロックダウンによってもたらされる入出力関係の変化によってより顕著になりました。これに対応するため、チームはオンライン学習モデルの可能性を確認するために焦点をそらしました。

• [GPT-4V-Actと出会いましょう：GPT-4V(ision)とウェブブラウザを調和させたマルチモーダルAIアシスタント]
• ビデオオブジェクトセグメンテーションの革命：高度なオブジェクトレベルのメモリ読み取り技術による可愛い子の明らかな化身
• アデプトAIはFuyu-8Bをオープンソース化しました：人工知能エージェントのためのマルチモーダルアーキテクチャ

マクマスター大学の土木工学者であるPengxiao Zhouは、COVID-19のロックダウン状況の独特な文脈の中で、廃水のインフルエントフローを予測する能力を向上させるために革新的な機械学習技術を使用したと説明しました。

研究者たちは、カナダの2つの廃水処理場でインフルエントフロー率を予測するために、ランダムフォレスト、K最近傍法、およびマルチレイヤーパーセプトロンを含む従来のバッチ学習モデルのパフォーマンスを、それぞれのオンライン学習モデルと比較しました。オンライン学習モデルは、様々なシナリオで従来のバッチ学習モデルよりも優れた性能を発揮し、最も高いR2値、最も低い平均絶対パーセンテージ誤差（MAPE）、および最も低い平方平均誤差（RMSE）を示しました。すべての場合において、テストデータセットのR2値が注目されるほどのインフルエントフロー率の24時間先の予測が行われました。

研究者たちは、これらのオンライン学習モデルが動的なデータパターンの中で信頼性のある予測を提供することを発見しました。これらは連続的で大量のインフルエントデータストリームを扱う効率性を示しています。

チームは、カナダの2つの廃水処理場から得られた3〜4年の毎時のインフルエントフロー率データおよび気象データを活用してモデルを作成しました。彼らは、これらの2つの処理場でインフルエントフロー率を予測するため、オンライン学習モデルを対応する従来のバッチ学習モデルと比較することによる比較分析を実施しました。

Pengxiao Zhouは、新しいオンライン学習モデルがCOVID-19などの緊急事態によるインフルエントパターンの変化に対処するために、下水処理場のオペレーターやマネージャーにより堅牢な意思決定支援を提供できると述べました。

構築したモデルの効果をさらに検証するために、チームの今後の取り組みには、さらなるケーススタディの実施と様々な予測シナリオの探索が含まれる予定です。

We will continue to update VoAGI; if you have any questions or suggestions, please contact us!