Dobór zmiennych niezależnych do budowy modeli predykcyjnych

• Autorzy: Kutyłowska M.

Warianty tytułu

EN

Selection of independent variables for prediction models

• Języki publikacji: PL

Abstrakty

PL

W oparciu o dane eksploatacyjne z kilku przedsiębiorstw wodociągowych dokonano rankingu ważności zmiennych niezależnych do przewidywania ilościowych i jakościowych zmiennych zależnych. Wskaźnik intensywności uszkodzeń był przewidywany z wykorzystaniem takich danych, jak: materiał, długość, średnica, rok budowy, ilość wody wyprodukowanej i wtłoczonej, liczba mieszkańców, pora roku i typ przewodu. Natomiast zmienna jakościowa (rodzaj uszkodzenia) była klasyfikowana na podstawie takich zmiennych, jak: materiał, średnica, typ przewodu i liczba uszkodzeń. Uzyskane wyniki wskazują na konieczność systematycznego rejestrowania w sposób ciągły w przedsiębiorstwach wodociągowych wielu informacji, na podstawie których możliwe będzie modelowanie, a następnie dokonanie pewnych niezbędnych zaleceń w zakresie eksploatacji systemów dystrybucji wody.

EN

On the basis of operational data obtained from several water utilities significance ranking of independent variables for quantity and quality dependent variables prediction was performed. Failure rate was forecasted with usage of such data: material, length, diameter, year of construction, water production and pumped water, number of citizens, season and type of conduit. Quality variable (kind of damage) was classified on the basis of following parameters: material, diameter, type of conduit and number of failures. Obtained results indicate the necessity of systematic registration in water utilities many information which could be used for modelling purposes.

Słowa kluczowe

PL

sieć wodociągowa; modelowanie; zmienne niezależne

EN

water supply network; modelling; independent variables

• Wydawca: Wydawnictwo 2K TECHNOLOGIE s.c.
• Czasopismo: Technologia Wody
• Rocznik: 2018
• Tom: Nr 2 (58)
• Strony: 30--34
• Opis fizyczny: Bibliogr. 11 poz., rys.

Twórcy

autor

Kutyłowska M.

• Politechnika Wrocławska, Wydział Inżynierii Środowiska

Bibliografia

• 1. Sudoł M.: Źródła danych dla budowy i aktualizacji matematycznych modeli sieci wodociągowych. Gaz, Woda i Technika Sanitarna 3, 2017, 96–99.
• 2. Kowalska B., Kowalski D., Suchorab P., Miszta-Kruk K., Wronowski N.: Automatyczna konwersja danych przy budowie modeli numerycznych sieci wodociągowej i kanalizacyjnej – studium przypadku. Gaz, Woda i Technika Sanitarna 9, 2017, 355–359.
• 3. Zimoch I.: Metoda analizy i oceny ryzyka eksploatacji systemów wodociągowych na terenach użytkowanych rolniczo. Ochrona Środowiska 38 (4), 2016, 33–38.
• 4. Ward B., Selby A., Gee S., Savic D.: Deterioration modelling of small-diameter water pipes under limited data availability. Urban Water Journal 14 (7), 2017, 743–749.
• 5. Harwey R., McBean E.: Comparing the utility of decision trees and support vector machines when planning inspections of linear sewer infrastructure. Journal of Hydroinformatics 16 (6), 2014, 1265–1279.
• 6. Bevilacqua M., Braglia M., Montanari M.: The classification and regression tree approach to pump failure rate analysis. Reliability Engineering and System Safety 79 (1), 2003, 59–67.
• 7. Tran D.H., Ng A.W.M., Perera B.J.C., Burn S., Davis P.: Application of probabilistic neural networks in modelling structural deterioration of stormwater pipes. Urban Water Journal 3(3), 2017, 175–184.
• 8. Elbisy M.S.: Support vector machine and regression analysis to predict the field hydraulic conductivity of sandy soil. KSCE Journal of Civil Engineering 19 (7), 2015, 2307–2316.
• 9. Hastie T., Tibshirani R., Friedman J.: The elements of statistical learning. Data mining, inference and prediction. Springer series in statistics, California 2008.
• 10. Breiman L., Friedman J., Olshen R., Stone C.: Classification and regression tress. Chapman and Hall/CRC, Boca Raton 1984.
• 11. Cristianini N., Shawe-Taylor J.: An introduction to support vector machines and other kernel-based learning methods. Cambridge University Press, Cambridge 2000.

Uwagi

Opracowanie rekordu w ramach umowy 509/P-DUN/2018 ze środków MNiSW przeznaczonych na działalność upowszechniającą naukę (2018).