上?？睖y(cè)設(shè)計(jì)研究院有限公司 許王辰

當(dāng)前，物聯(lián)網(wǎng)、3S技術(shù)、云計(jì)算、人工智能等新技術(shù)不斷發(fā)展，在各個(gè)領(lǐng)域都帶來(lái)了一場(chǎng)技術(shù)變革。隨著智慧城市這一概念的熱度不斷上升，智慧水務(wù)作為其核心之一，重要作用日漸凸顯。智慧水務(wù)是應(yīng)用人工智能技術(shù)、軟硬件互相結(jié)合以及數(shù)字化技術(shù)，重新分析水務(wù)工作問(wèn)題，并對(duì)用戶的各種需求做出智能回饋，有效提高工作效率和質(zhì)量，提升用戶對(duì)城市水務(wù)服務(wù)的滿意度，還能創(chuàng)造出城市服務(wù)新生態(tài)、水務(wù)管理新模式、工商業(yè)發(fā)展新方向[1]。

當(dāng)前，隨著水務(wù)系統(tǒng)監(jiān)測(cè)體系的逐步建立，監(jiān)測(cè)手段的不斷豐富，水務(wù)服務(wù)中可收集的數(shù)據(jù)種類、質(zhì)量和數(shù)量不斷增加，造成數(shù)據(jù)大爆炸，如何從底層的海量數(shù)據(jù)中挖掘出能夠?qū)λ畡?wù)服務(wù)進(jìn)行輔助決策的有效信息，已經(jīng)成為智慧水務(wù)“智慧化”的關(guān)鍵。與此同時(shí)，在人工智能飛速發(fā)展的今天，各國(guó)都把AI作為未來(lái)發(fā)展的重要戰(zhàn)略方向[2]，而機(jī)器學(xué)習(xí)作為AI技術(shù)中適用范圍最廣的分支，其能充分利用數(shù)據(jù)價(jià)值的核心作用完美適配智慧水務(wù)的功能要求，因此機(jī)器學(xué)習(xí)可應(yīng)用于智慧水務(wù)建設(shè)中，助力城市水務(wù)系統(tǒng)控制智能化、數(shù)據(jù)資源化、管理精確化和決策智慧化發(fā)展。

一、機(jī)器學(xué)習(xí)現(xiàn)狀

機(jī)器學(xué)習(xí)是指通過(guò)計(jì)算機(jī)識(shí)別出數(shù)據(jù)中的潛在規(guī)律性信息，從中獲得新的經(jīng)驗(yàn)和知識(shí)，而后不斷更新已有知識(shí)體系以提高自己的性能，從而使計(jì)算機(jī)能夠模擬人的行為去決策[3]。隨著各行業(yè)積累的數(shù)據(jù)量不斷增多，對(duì)數(shù)據(jù)處理和分析的效率要求也隨之變高，一系列機(jī)器學(xué)習(xí)算法相應(yīng)產(chǎn)生，其主要通過(guò)數(shù)學(xué)及統(tǒng)計(jì)方法以求解最優(yōu)化問(wèn)題，主要可分為傳統(tǒng)機(jī)器學(xué)習(xí)、強(qiáng)化學(xué)習(xí)、深度學(xué)習(xí)和集成方法等。各類方法都有其適用的場(chǎng)景，針對(duì)不同的業(yè)務(wù)需求及數(shù)據(jù)種類，選擇相應(yīng)的機(jī)器學(xué)習(xí)算法可以事半功倍的解決各類實(shí)際問(wèn)題，具有提高計(jì)算效率、降低計(jì)算成本、描述機(jī)理模型無(wú)法解釋的現(xiàn)象、快速遷移性等優(yōu)勢(shì)。

與此同時(shí)，機(jī)器學(xué)習(xí)也存在一些不足之處：1）某些領(lǐng)域獲取大量良好的訓(xùn)練數(shù)據(jù)較為困難，訓(xùn)練集過(guò)少將導(dǎo)致模型過(guò)擬合；2）神經(jīng)網(wǎng)絡(luò)等通常具有很高的準(zhǔn)確性，但由于其具有黑箱的屬性，對(duì)結(jié)果不具備可解釋性，可能會(huì)限制其應(yīng)用范圍；3）圖像識(shí)別對(duì)于噪聲的抗干擾能力不強(qiáng)，可能會(huì)導(dǎo)致其在實(shí)際應(yīng)用中存在一定安全問(wèn)題；4）計(jì)算機(jī)不具備人類的倫理道德，某些情況下重要決策需要由人做權(quán)衡。

二、機(jī)器學(xué)習(xí)在智慧水務(wù)中的應(yīng)用

當(dāng)前，機(jī)器學(xué)習(xí)已廣泛應(yīng)用于互聯(lián)網(wǎng)、金融學(xué)、生物學(xué)、醫(yī)學(xué)等領(lǐng)域，正逐漸向其他領(lǐng)域滲透。由于智慧水務(wù)基礎(chǔ)數(shù)據(jù)量較大、在線水務(wù)系統(tǒng)要求實(shí)時(shí)數(shù)據(jù)處理與提供輔助決策，因此將機(jī)器學(xué)習(xí)引入智慧水務(wù)建設(shè)中來(lái)，能夠有效實(shí)現(xiàn)水務(wù)系統(tǒng)的控制智能化、數(shù)據(jù)資源化、管理精確化與決策智慧化，為水務(wù)系統(tǒng)智慧化帶來(lái)了新的方向。

（一）耦合傳統(tǒng)機(jī)理模型進(jìn)行預(yù)測(cè)

在實(shí)際應(yīng)用中，傳統(tǒng)機(jī)理模型（例如SWMM、InfoWorks ICM）在城市水務(wù)系統(tǒng)中占主要部分，它是基于自變量與因變量之間確定的平衡和運(yùn)動(dòng)定律而構(gòu)建的數(shù)學(xué)模型，其各項(xiàng)參數(shù)皆具有明確的物理意義，所以模型結(jié)果具有很強(qiáng)的解釋性。但相應(yīng)的，對(duì)某些無(wú)法用具體數(shù)學(xué)表達(dá)式描述的現(xiàn)象，機(jī)理模型就無(wú)法適用。而機(jī)器學(xué)習(xí)則具有的幾個(gè)能克服傳統(tǒng)機(jī)理模型弊端的顯著優(yōu)勢(shì)：1）計(jì)算成本較小，計(jì)算效率更高。2）能夠分析無(wú)法用方程解釋的現(xiàn)象，能從比機(jī)理模型所需數(shù)據(jù)種類更多的數(shù)據(jù)特征中尋求因變量與自變量之間的規(guī)律。3）具有自動(dòng)化數(shù)據(jù)預(yù)處理功能，有效減少人工操作，保證了數(shù)據(jù)的準(zhǔn)確性。4）可遷移性，在某些數(shù)據(jù)缺乏的情況下，遷移學(xué)習(xí)可以有效地將提前訓(xùn)練好的模型應(yīng)用到相同領(lǐng)域的其他項(xiàng)目中。

因此，耦合傳統(tǒng)機(jī)理模型和機(jī)器學(xué)習(xí)模型，最大化地發(fā)揮兩種模型的優(yōu)點(diǎn)，對(duì)于實(shí)現(xiàn)水務(wù)系統(tǒng)的控制智能化和決策智慧化具有重要的意義。目前常見(jiàn)的有兩種思路：1）依靠機(jī)器學(xué)習(xí)的方式對(duì)機(jī)理模型的輸入數(shù)據(jù)進(jìn)行預(yù)處理，在一定程度上能應(yīng)對(duì)輸入數(shù)據(jù)缺失、異常等問(wèn)題，保證機(jī)理模型結(jié)果的可解釋性。2）利用機(jī)理模型輸出的合理結(jié)果，補(bǔ)充機(jī)器學(xué)習(xí)模型的訓(xùn)練集，后者經(jīng)過(guò)訓(xùn)練后可輔助或代替機(jī)理模型進(jìn)行快速預(yù)測(cè)。例如，Li Chiu Chang[4]等應(yīng)用機(jī)器學(xué)習(xí)構(gòu)建了結(jié)合InfoWorks ICM、SOM以及RNARX的混合模型，實(shí)現(xiàn)了在提前期（12小時(shí)）內(nèi)的快速多步預(yù)報(bào)，數(shù)據(jù)處理效率顯著優(yōu)于傳統(tǒng)模型。

（二）系統(tǒng)風(fēng)險(xiǎn)評(píng)估

城市水務(wù)系統(tǒng)運(yùn)行環(huán)境復(fù)雜多變，受到人為、環(huán)境及突發(fā)事件等多種因素的影響[5]。構(gòu)建水務(wù)實(shí)時(shí)監(jiān)測(cè)與控制系統(tǒng)，能夠有效地減少系統(tǒng)風(fēng)險(xiǎn)事件數(shù)量。現(xiàn)階段，業(yè)界主要通過(guò)設(shè)計(jì)臨界邊界條件來(lái)構(gòu)建系統(tǒng)仿真模型，模擬各種條件下的系統(tǒng)運(yùn)行態(tài)勢(shì)，以避免出現(xiàn)可預(yù)見(jiàn)的系統(tǒng)錯(cuò)誤與風(fēng)險(xiǎn)[6]。然而，這些方法普遍存在數(shù)據(jù)收集難度大、花費(fèi)高、精度較低等問(wèn)題。

伴隨水務(wù)在線監(jiān)測(cè)設(shè)備的蓬勃發(fā)展，為了更精確地定位風(fēng)險(xiǎn)所在位置，降低系統(tǒng)風(fēng)險(xiǎn)評(píng)估的數(shù)據(jù)收集成本，機(jī)器學(xué)習(xí)方法逐漸在水務(wù)系統(tǒng)風(fēng)險(xiǎn)評(píng)估中被應(yīng)用。Romano[7]等人利用基于多元高斯混合的圖形模型和地質(zhì)統(tǒng)計(jì)學(xué)技術(shù)，通過(guò)計(jì)算區(qū)域內(nèi)的壓力和流量數(shù)據(jù)可確定了造成系統(tǒng)風(fēng)險(xiǎn)的大致區(qū)域與位置。李杉杉[8]利用隨機(jī)森林算法和邏輯回歸法對(duì)蘇州某園區(qū)的水務(wù)系統(tǒng)進(jìn)行風(fēng)險(xiǎn)評(píng)估，結(jié)果表明基于隨機(jī)森林算法的機(jī)器學(xué)習(xí)具有更高的預(yù)測(cè)精度。

（三）問(wèn)題在線識(shí)別

根據(jù)監(jiān)測(cè)數(shù)據(jù)在線識(shí)別水務(wù)系統(tǒng)中存在的問(wèn)題，實(shí)時(shí)輔助決策是城市智慧水務(wù)平臺(tái)的重要功能。由于環(huán)境變遷、軟硬件老化以及不可控人為事件對(duì)水務(wù)系統(tǒng)的不利影響，放任不管或未及時(shí)處理的問(wèn)題可能引發(fā)一系列安全事故。如何及時(shí)精確的識(shí)別系統(tǒng)問(wèn)題，對(duì)于維護(hù)整個(gè)城市的水務(wù)系統(tǒng)穩(wěn)定運(yùn)行十分重要。相較于系統(tǒng)的正常運(yùn)行時(shí)長(zhǎng)，系統(tǒng)發(fā)生問(wèn)題仍然是小概率事件。因此獲取到的反映問(wèn)題特征的數(shù)據(jù)量遠(yuǎn)少于正常數(shù)據(jù)，即存在數(shù)據(jù)的不平衡現(xiàn)象，不利于對(duì)系統(tǒng)問(wèn)題的識(shí)別。而依靠人為主觀判斷輔助，不僅費(fèi)時(shí)費(fèi)力，還存在較大誤差。機(jī)器學(xué)習(xí)可通過(guò)多重采樣及分類識(shí)別等發(fā)放高效處理數(shù)據(jù)的不平衡狀況，因此可增強(qiáng)對(duì)問(wèn)題事件識(shí)別的準(zhǔn)確性，減少人為誤差。目前國(guó)內(nèi)已有相關(guān)應(yīng)用：王菲[9]利用K-means和smote算法在數(shù)據(jù)層面對(duì)不平衡數(shù)據(jù)進(jìn)行處理并分類識(shí)別，有效提高了問(wèn)題識(shí)別的準(zhǔn)確率；同時(shí)利用優(yōu)化的CS-SVM方法在決策層面有效減少了人為誤差。

三、結(jié)語(yǔ)

城市智慧水務(wù)平臺(tái)的發(fā)展有助于減少人工管理成本，結(jié)合監(jiān)測(cè)體系的建設(shè)能夠掌握系統(tǒng)實(shí)時(shí)運(yùn)行態(tài)勢(shì)，輔助工作人員高效而準(zhǔn)確的進(jìn)行決策。其產(chǎn)生的大量數(shù)據(jù)可使用機(jī)器學(xué)習(xí)進(jìn)一步挖掘其深層價(jià)值，以實(shí)現(xiàn)數(shù)據(jù)的充分利用，提高系統(tǒng)運(yùn)行效率。本文綜述了當(dāng)前機(jī)器學(xué)習(xí)在智慧水務(wù)平臺(tái)中的三個(gè)應(yīng)用方向，認(rèn)為今后的應(yīng)用需重點(diǎn)解決如下問(wèn)題：

（1）面對(duì)不同應(yīng)用場(chǎng)景，如何選取與之最適的機(jī)器學(xué)習(xí)算法尚需探討；（2）構(gòu)建精確的機(jī)器學(xué)習(xí)模型需要大量且良好的訓(xùn)練數(shù)據(jù)作為支撐，由于水務(wù)監(jiān)測(cè)體系面臨的復(fù)雜環(huán)境，如何在缺損、失真數(shù)據(jù)條件下提高機(jī)器學(xué)習(xí)的準(zhǔn)確性仍需討論；（3）如何使用機(jī)器學(xué)習(xí)不斷優(yōu)化當(dāng)前模型，以提高對(duì)現(xiàn)實(shí)的預(yù)測(cè)能力還值得進(jìn)一步研究。

相關(guān)鏈接

機(jī)器學(xué)習(xí)進(jìn)入新階段的重要表現(xiàn)在下列諸方面：

(1)機(jī)器學(xué)習(xí)已成為新的邊緣學(xué)科并在高校形成一門課程。它綜合應(yīng)用心理學(xué)、生物學(xué)和神經(jīng)生理學(xué)以及數(shù)學(xué)、自動(dòng)化和計(jì)算機(jī)科學(xué)形成機(jī)器學(xué)習(xí)理論基礎(chǔ)。

(2)結(jié)合各種學(xué)習(xí)方法，取長(zhǎng)補(bǔ)短的多種形式的集成學(xué)習(xí)系統(tǒng)研究正在興起。特別是連接學(xué)習(xí)符號(hào)學(xué)習(xí)的耦合可以更好地解決連續(xù)性信號(hào)處理中知識(shí)與技能的獲取與求精問(wèn)題而受到重視。

(3)機(jī)器學(xué)習(xí)與人工智能各種基礎(chǔ)問(wèn)題的統(tǒng)一性觀點(diǎn)正在形成。例如學(xué)習(xí)與問(wèn)題求解結(jié)合進(jìn)行、知識(shí)表達(dá)便于學(xué)習(xí)的觀點(diǎn)產(chǎn)生了通用智能系統(tǒng)SOAR的組塊學(xué)習(xí)。類比學(xué)習(xí)與問(wèn)題求解結(jié)合的基于案例方法已成為經(jīng)驗(yàn)學(xué)習(xí)的重要方向。

(4)各種學(xué)習(xí)方法的應(yīng)用范圍不斷擴(kuò)大，一部分已形成商品。歸納學(xué)習(xí)的知識(shí)獲取工具已在診斷分類型專家系統(tǒng)中廣泛使用。連接學(xué)習(xí)在聲圖文識(shí)別中占優(yōu)勢(shì)。分析學(xué)習(xí)已用于設(shè)計(jì)綜合型專家系統(tǒng)。遺傳算法與強(qiáng)化學(xué)習(xí)在工程控制中有較好的應(yīng)用前景。與符號(hào)系統(tǒng)耦合的神經(jīng)網(wǎng)絡(luò)連接學(xué)習(xí)將在企業(yè)的智能管理與智能機(jī)器人運(yùn)動(dòng)規(guī)劃中發(fā)揮作用。

(5)與機(jī)器學(xué)習(xí)有關(guān)的學(xué)術(shù)活動(dòng)空前活躍。國(guó)際上除每年一次的機(jī)器學(xué)習(xí)研討會(huì)外，還有計(jì)算機(jī)學(xué)習(xí)理論會(huì)議以及遺傳算法會(huì)議。