Entwicklung datengestützter Lernmodelle zur Vorhersage des Volumens von städtischem Regenwasserabfluss

Das Storm Water Management Model (SWMM) ist ein hydrologisches Modell zur Simulation und Vorhersage von Abfluss. Obwohl es leistungsstark ist, kann SWMM rechenintensiv sein. Daher entwickeln wir maschinelle Lernmodelle (ML), um das Verhalten von SWMM zu approximieren und die Aufgabe der Abflussvorhersage zu beschleunigen. Wir führen eine Fallstudie für das Einzugsgebiet des First Creek in Knoxville, Tennessee, USA, durch. Wir trainieren ML-Modelle mit Niederschlagsdaten und Eigenschaften der Teilgebiete und wenden Feature Engineering und Clustering an, um die Ergebnisse von SWMM und ML-Modellen objektiv zu vergleichen. Die Ergebnisse zeigen, dass Random Forests das Abflussvolumen genau vorhersagen können, mit einem Mittelwert der absoluten Abweichung (MAE) von 0,006 (0,001) 106 Gallonen, wobei die Vorhersagen nahezu instantan erfolgen. Daher kann unser vorgeschlagener ML-basierter Ansatz den Abfluss genau vorhersagen und dabei die rechnerischen Anforderungen erheblich reduzieren, was einen kritischen Bedarf in diesem Bereich erfüllt.