探究机器学习现状 助力智慧水务发展

上海勘测设计研究院有限公司 许王辰

当前，物联网、3S技术、云计算、人工智能等新技术不断发展，在各个领域都带来了一场技术变革。随着智慧城市这一概念的热度不断上升，智慧水务作为其核心之一，重要作用日渐凸显。智慧水务是应用人工智能技术、软硬件互相结合以及数字化技术，重新分析水务工作问题，并对用户的各种需求做出智能回馈，有效提高工作效率和质量，提升用户对城市水务服务的满意度，还能创造出城市服务新生态、水务管理新模式、工商业发展新方向[1]。

当前，随着水务系统监测体系的逐步建立，监测手段的不断丰富，水务服务中可收集的数据种类、质量和数量不断增加，造成数据大爆炸，如何从底层的海量数据中挖掘出能够对水务服务进行辅助决策的有效信息，已经成为智慧水务“智慧化”的关键。与此同时，在人工智能飞速发展的今天，各国都把AI作为未来发展的重要战略方向[2]，而机器学习作为AI技术中适用范围最广的分支，其能充分利用数据价值的核心作用完美适配智慧水务的功能要求，因此机器学习可应用于智慧水务建设中，助力城市水务系统控制智能化、数据资源化、管理精确化和决策智慧化发展。

一、机器学习现状

机器学习是指通过计算机识别出数据中的潜在规律性信息，从中获得新的经验和知识，而后不断更新已有知识体系以提高自己的性能，从而使计算机能够模拟人的行为去决策[3]。随着各行业积累的数据量不断增多，对数据处理和分析的效率要求也随之变高，一系列机器学习算法相应产生，其主要通过数学及统计方法以求解最优化问题，主要可分为传统机器学习、强化学习、深度学习和集成方法等。各类方法都有其适用的场景，针对不同的业务需求及数据种类，选择相应的机器学习算法可以事半功倍的解决各类实际问题，具有提高计算效率、降低计算成本、描述机理模型无法解释的现象、快速迁移性等优势。

与此同时，机器学习也存在一些不足之处：1）某些领域获取大量良好的训练数据较为困难，训练集过少将导致模型过拟合；2）神经网络等通常具有很高的准确性，但由于其具有黑箱的属性，对结果不具备可解释性，可能会限制其应用范围；3）图像识别对于噪声的抗干扰能力不强，可能会导致其在实际应用中存在一定安全问题；4）计算机不具备人类的伦理道德，某些情况下重要决策需要由人做权衡。

二、机器学习在智慧水务中的应用

当前，机器学习已广泛应用于互联网、金融学、生物学、医学等领域，正逐渐向其他领域渗透。由于智慧水务基础数据量较大、在线水务系统要求实时数据处理与提供辅助决策，因此将机器学习引入智慧水务建设中来，能够有效实现水务系统的控制智能化、数据资源化、管理精确化与决策智慧化，为水务系统智慧化带来了新的方向。

（一）耦合传统机理模型进行预测

在实际应用中，传统机理模型（例如SWMM、InfoWorks ICM）在城市水务系统中占主要部分，它是基于自变量与因变量之间确定的平衡和运动定律而构建的数学模型，其各项参数皆具有明确的物理意义，所以模型结果具有很强的解释性。但相应的，对某些无法用具体数学表达式描述的现象，机理模型就无法适用。而机器学习则具有的几个能克服传统机理模型弊端的显著优势：1）计算成本较小，计算效率更高。2）能够分析无法用方程解释的现象，能从比机理模型所需数据种类更多的数据特征中寻求因变量与自变量之间的规律。3）具有自动化数据预处理功能，有效减少人工操作，保证了数据的准确性。4）可迁移性，在某些数据缺乏的情况下，迁移学习可以有效地将提前训练好的模型应用到相同领域的其他项目中。

因此，耦合传统机理模型和机器学习模型，最大化地发挥两种模型的优点，对于实现水务系统的控制智能化和决策智慧化具有重要的意义。目前常见的有两种思路：1）依靠机器学习的方式对机理模型的输入数据进行预处理，在一定程度上能应对输入数据缺失、异常等问题，保证机理模型结果的可解释性。2）利用机理模型输出的合理结果，补充机器学习模型的训练集，后者经过训练后可辅助或代替机理模型进行快速预测。例如，Li Chiu Chang[4]等应用机器学习构建了结合InfoWorks ICM、SOM以及RNARX的混合模型，实现了在提前期（12小时）内的快速多步预报，数据处理效率显著优于传统模型。

（二）系统风险评估

城市水务系统运行环境复杂多变，受到人为、环境及突发事件等多种因素的影响[5]。构建水务实时监测与控制系统，能够有效地减少系统风险事件数量。现阶段，业界主要通过设计临界边界条件来构建系统仿真模型，模拟各种条件下的系统运行态势，以避免出现可预见的系统错误与风险[6]。然而，这些方法普遍存在数据收集难度大、花费高、精度较低等问题。

伴随水务在线监测设备的蓬勃发展，为了更精确地定位风险所在位置，降低系统风险评估的数据收集成本，机器学习方法逐渐在水务系统风险评估中被应用。Romano[7]等人利用基于多元高斯混合的图形模型和地质统计学技术，通过计算区域内的压力和流量数据可确定了造成系统风险的大致区域与位置。李杉杉[8]利用随机森林算法和逻辑回归法对苏州某园区的水务系统进行风险评估，结果表明基于随机森林算法的机器学习具有更高的预测精度。

（三）问题在线识别

根据监测数据在线识别水务系统中存在的问题，实时辅助决策是城市智慧水务平台的重要功能。由于环境变迁、软硬件老化以及不可控人为事件对水务系统的不利影响，放任不管或未及时处理的问题可能引发一系列安全事故。如何及时精确的识别系统问题，对于维护整个城市的水务系统稳定运行十分重要。相较于系统的正常运行时长，系统发生问题仍然是小概率事件。因此获取到的反映问题特征的数据量远少于正常数据，即存在数据的不平衡现象，不利于对系统问题的识别。而依靠人为主观判断辅助，不仅费时费力，还存在较大误差。机器学习可通过多重采样及分类识别等发放高效处理数据的不平衡状况，因此可增强对问题事件识别的准确性，减少人为误差。目前国内已有相关应用：王菲[9]利用K-means和smote算法在数据层面对不平衡数据进行处理并分类识别，有效提高了问题识别的准确率；同时利用优化的CS-SVM方法在决策层面有效减少了人为误差。

三、结语

城市智慧水务平台的发展有助于减少人工管理成本，结合监测体系的建设能够掌握系统实时运行态势，辅助工作人员高效而准确的进行决策。其产生的大量数据可使用机器学习进一步挖掘其深层价值，以实现数据的充分利用，提高系统运行效率。本文综述了当前机器学习在智慧水务平台中的三个应用方向，认为今后的应用需重点解决如下问题：

（1）面对不同应用场景，如何选取与之最适的机器学习算法尚需探讨；（2）构建精确的机器学习模型需要大量且良好的训练数据作为支撑，由于水务监测体系面临的复杂环境，如何在缺损、失真数据条件下提高机器学习的准确性仍需讨论；（3）如何使用机器学习不断优化当前模型，以提高对现实的预测能力还值得进一步研究。

相关链接

机器学习进入新阶段的重要表现在下列诸方面：

(1)机器学习已成为新的边缘学科并在高校形成一门课程。它综合应用心理学、生物学和神经生理学以及数学、自动化和计算机科学形成机器学习理论基础。

(2)结合各种学习方法，取长补短的多种形式的集成学习系统研究正在兴起。特别是连接学习符号学习的耦合可以更好地解决连续性信号处理中知识与技能的获取与求精问题而受到重视。

(3)机器学习与人工智能各种基础问题的统一性观点正在形成。例如学习与问题求解结合进行、知识表达便于学习的观点产生了通用智能系统SOAR的组块学习。类比学习与问题求解结合的基于案例方法已成为经验学习的重要方向。

(4)各种学习方法的应用范围不断扩大，一部分已形成商品。归纳学习的知识获取工具已在诊断分类型专家系统中广泛使用。连接学习在声图文识别中占优势。分析学习已用于设计综合型专家系统。遗传算法与强化学习在工程控制中有较好的应用前景。与符号系统耦合的神经网络连接学习将在企业的智能管理与智能机器人运动规划中发挥作用。

(5)与机器学习有关的学术活动空前活跃。国际上除每年一次的机器学习研讨会外，还有计算机学习理论会议以及遗传算法会议。