Skip to main content
main-content

Tipp

Weitere Artikel dieser Ausgabe durch Wischen aufrufen

06.11.2019 | Ausgabe 13/2019

Water Resources Management 13/2019

A Novel Event Detection Model for Water Distribution Systems Based on Data-Driven Estimation and Support Vector Machine Classification

Zeitschrift:
Water Resources Management > Ausgabe 13/2019
Autoren:
Xiang-Yun Zou, Yi-Li Lin, Bin Xu, Zi-Bo Guo, Sheng-Ji Xia, Tian-Yang Zhang, An-Qi Wang, Nai-Yun Gao
Wichtige Hinweise

Electronic supplementary material

The online version of this article (https://​doi.​org/​10.​1007/​s11269-019-02317-5) contains supplementary material, which is available to authorized users.

Publisher’s Note

Springer Nature remains neutral with regard to jurisdictional claims in published maps and institutional affiliations.

Abstract

In this study, a novel event detection model based on data-driven estimation and support vector machine (SVM) classification was developed and assessed. The developed model takes advantage of the data-driven model - namely artificial neural networks (ANNs) - to predict the complicated behavior of water quality parameters without relevant physical and chemical knowledge. In addition, SVM presents high classification performance when dealing with high-dimensional data and has a better generalization ability than ANNs so that SVM can complement ANN predictions. Key parameters of SVM were optimized by genetic algorithm. After calculation of ANN prediction error and outlier classification by SVM, the event probability was estimated by Bayesian sequence analysis. The performance of the proposed model was evaluated using data from a real water distribution system with randomly simulated events. The results illustrated that the proposed model exhibited a great detection ability compared with two models with analogous structures, a pure SVM classification model and a conventional ANN-threshold classification model, demonstrating the superiority of the hybrid data-driven – SVM classification model.

Bitte loggen Sie sich ein, um Zugang zu diesem Inhalt zu erhalten

Sie möchten Zugang zu diesem Inhalt erhalten? Dann informieren Sie sich jetzt über unsere Produkte:

Springer Professional "Technik"

Online-Abonnement

Mit Springer Professional "Technik" erhalten Sie Zugriff auf:

  • über 50.000 Bücher
  • über 380 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Umwelt
  • Maschinenbau + Werkstoffe




Testen Sie jetzt 30 Tage kostenlos.

Springer Professional "Wirtschaft+Technik"

Online-Abonnement

Mit Springer Professional "Wirtschaft+Technik" erhalten Sie Zugriff auf:

  • über 69.000 Bücher
  • über 500 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Umwelt
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Maschinenbau + Werkstoffe
  • Versicherung + Risiko

Testen Sie jetzt 30 Tage kostenlos.

Zusatzmaterial
Nur für berechtigte Nutzer zugänglich
Literatur
Über diesen Artikel

Weitere Artikel der Ausgabe 13/2019

Water Resources Management 13/2019 Zur Ausgabe