arXiv cs.AI· Zihang Ding, Amit Kumar, Imran Md. Azizul Islam, Mila Avellar Montezuma, Ruihang Zhang, Kun Zhang·· 1 天前AI 评分24
城市排水管网稀疏测量下的流量重建：数据驱动稀疏感知的仿真评估
Flow Reconstruction from Sparse Measurements in Urban Drainage Networks: A Simulation-Based Evaluation of Data-Driven Sparse Sensing
AI 导读
研究在76条管道的城市排水管网中评估数据驱动稀疏感知（DSS），仅监测5条管道（6.6%）即可实现中位系统级NSE 0.992的流量重建，未监测管道中位NSE为0.967。
正文 · AI 翻译
摘要：城市化与日益频繁的强风暴正给城市排水管网带来压力。虽然密集监测是可取的，但时间、预算和技术方面的实际限制阻碍了其全面实施。如何在资源受限的情况下监测和预测整个管网的流量状况是一项重大挑战。为此，我们在一个包含 76 条管道的城市排水管网中评估了数据驱动的稀疏感知（DSS），该方法选择传感器位置并基于同一降维基重建全网流量。利用校准后的 SWMM 模型模拟构建了基于奇异值分解（SVD）的事件加权空间基，使用带主元的 QR 分解选择秩特定的布局，并定义了重建解码器。在 225 个留出模拟（结合 25 组合理的校准参数集与 9 场降雨事件）上应用时，监测 76 条管道中的 5 条（6.6%）在观测风暴下取得了 0.992 的系统级 Nash-Sutcliffe 效率（NSE）中位数（第 10 百分位为 0.973），在活跃的未监测管道处 NSE 中位数为 0.967。带主元的 QR 分解表现与遗传算法布局相当，且无需迭代布局搜索；而最大上游面积布点在 DSS 解码器下失效，即使使用加权回归解码器也落后于 QR。DSS 流量重建性能对预设的乘性高斯测量噪声、最高约 2 L/s 的加性噪声以及 10 L/s 的检测下限不敏感，但对监测管道缺失表现出位置相关的响应，重新拟合的回归解码器基本消除了这一影响。本研究支持使用由基于物理的模拟驱动的 DSS 来决定安装多少流量传感器以及安装在哪里。
| 评论： | 28 页，8 幅图。部分内容已在 HydroML 2025 研讨会、2025 年明尼苏达水资源会议和 AGU 2025 秋季会议上展示 |
| 主题： | 人工智能（cs.AI）；计算工程、金融与科学（cs.CE） |
| 引用为： | arXiv:2511.04556 [cs.AI] |
| （或本版本的 arXiv:2511.04556v4 [cs.AI]） | |
| https://doi.org/10.48550/arXiv.2511.04556 由 DataCite 颁发的 arXiv DOI |
提交历史
来自：Kun Zhang [查看邮箱]
[v1]
2025 年 11 月 6 日星期四 17:08:19 UTC（3,554 KB）
[v2]
2026 年 5 月 22 日星期五 23:28:17 UTC（2,563 KB）
[v3]
2026 年 9 月 25 日星期五 13:49:30 UTC（2,252 KB）
[v4]
2026 年 11 月 10 日星期二 20:41:18 UTC（11,784 KB）
来源：arXiv cs.AI · arxiv.org