相关实验视频
Updated: May 17, 2025

Watershed Planning within a Quantitative Scenario Analysis Framework
Published on: July 24, 2016
联合机器学习使水质的风险管理和隐私保护成为可能
Yu-Qi Wang1, Hong-Cheng Wang1, Wen-Zhe Wang1
1State Key Laboratory of Urban Water Resource and Environment, School of Eco-Environment, Harbin Institute of Technology, Shenzhen 518055, China.
本研究介绍了废水处理厂适应性水系统联合平均化 (AWSFA) 框架. 在不影响隐私的情况下,AWSFA可实现安全的数据共享,以改善实时水质风险管理.
科学领域:
- 环境工程 环境工程
- 数据科学数据科学数据科学
- 机器学习 机器学习
背景情况:
- 废水处理厂 (WWTP) 的实时水质管理至关重要,但由于数据隐私问题受到阻碍,限制了有效的数据共享.
- 目前的数据共享实践不足,由于无法访问敏感的原始数据,往往仍然是理论性的.
研究的目的:
- 开发一个新的联合学习 (FL) 框架,以促进安全的数据共享,以便在WWTP中管理水质风险.
- 通过保护隐私的参数共享来提高机器学习模型的性能,以预测废水质量.
主要方法:
- 开发了一个适应性水系统联合平均化 (AWSFA) 框架,利用联合学习 (FL) 原则.
- 通过使用6个WWTP (2018-2024) 的数据,训练了10个机器学习模型,以双向长期记忆网络 (BM) 为基线.
- 在平均绝对百分比误差 (MAPE) 方面,AWSFA与直接培训和经典联合平均 (FedAvg) 相比较.
主要成果:
- 与直接培训和FedAvg.相比,AWSFA显著降低了双向长期记忆网络 (BM) 的平均绝对百分比误差 (MAPE).
- 性能增长归因于数据共享的参数共享,而不是算法复杂性.
- 该模型表现出强度,即使在模拟水质干扰期间缺少50%的关键特征,也保持了性能.
结论:
- 在水系统中,AWSFA为数据共享和隐私保护提供了可行的解决方案.
- 该框架为WWTP在大数据和大模型时代的数字化转型提供理论支持.
- 这种方法可以通过安全,协作模式培训,实现有效的实时水质风险管理.
更多相关视频
11:53Spatial Multiobjective Optimization of Agricultural Conservation Practices using a SWAT Model and an Evolutionary Algorithm
Published on: December 9, 2012
07:26A Simple Method for Automated Solid Phase Extraction of Water Samples for Immunological Analysis of Small Pollutants
Published on: January 1, 2016
相关概念视频
Design Example: Analyzing Capacity Contours for Flood Risk Assessment
Modeling and Similitude
Typical Model Studies
Applications of GIS: Disaster Management and Emergency Response
Mechanistic Models: Compartment Models in Individual and Population Analysis
Mechanistic Models: Compartment Models in Algorithms for Numerical Problem Solving
In individual population analyses, different algorithms are employed, such as Cauchy's method, which uses a...