Rolling in the deep: Затопление улиц можно предсказать за секунды с помощью моделей машинного обучения

Ученые из Национальной ускорительной лаборатории Томаса Джефферсона (Jefferson Lab), Старого Доминионского университета (ODU) и Университета Виргинии (UVA) провели исследование, сравнивающее модели глубокого обучения для прогнозирования затопления на уровне улиц в городе Норфолк с предыдущими методами машинного обучения и физическими симуляциями. Их работа, опубликованная в журнале Machine Learning with Applications, использует данные примерно с 17 000 участков улиц, охватывающих более 400 миль дорог, чтобы оценить сильные и слабые стороны суррогатных моделей.

Это исследование особенно важно для прибрежного региона Хэмптон-Роудс в Виргинии, который крайне уязвим к затоплениям из-за приливов, ливней, штормовых нагонов и повышения уровня моря. Норфолк, второй по численности населения город штата, сталкивается с растущей частотой так называемых «досадных» паводков, которые увеличились на 325% с 1960 года. Быстрое прогнозирование таких событий критически важно для транспортной системы, безопасности и работы экстренных служб.

Ключевым преимуществом новых моделей является скорость. В то время как физические симуляции на базе программного обеспечения TUFLOW могут занимать несколько часов, модели машинного обучения выполняют аналогичные расчеты за секунды. «Если ожидается ливневое событие, необходимо знать, где будет высокая вода. Для городских управленцев особенно важно быстро это выяснить», — отметила специалист по данным Jefferson Lab Диана МакСпэдден.

Исследование, проведенное в рамках Совместного института передовых вычислений для экологических исследований (ACES), показало, что модели на основе рекуррентных нейронных сетей (RNN) могут точно предсказывать затопление улиц за 11 секунд. Их прогнозы и погрешности находятся в пределах сантиметров от эталонной физической модели TUFLOW. Однако точность моделей снижается для событий со средней и высокой глубиной затопления, вероятно, из-за меньшего количества таких примеров в обучающих данных.