双流图卷积网络实现稀疏监测给水管网余氯浓度的精准实时预测

《Water Research》：Dual-stream Graph Convolutional Networks Enable Accurate Real-time Chlorine Prediction in Sparsely Monitored Water Distribution Networks

本文提出一种新颖的双流图卷积网络（DGCN），通过显式整合给水管网（WDNs）中的上下游水流动力学，解决了在未监测节点实时预测水质（如余氯）的难题。该模型仅利用案例研究中配备传感器节点（33个传感器）的数据进行训练，即可精准预测未监测节点的余氯残留，在78%的节点（703/955）上实现了平均绝对百分比误差（MAPE）低于5%，在98.7%的网络节点上MAPE <20%，其性能持续优于基准图卷积网络（GCN）。引入的掩蔽策略进一步增强了模型在有限传感器部署的真实场景下的鲁棒性，为利用快速仿真显著改善实时水质优化与管理提供了有效工具。

　　

Highlight

模型性能概览

对所提出的DGCN的预测性能进行了系统评估，将其与三种替代的图卷积配置进行比较：仅上游、仅下游和无向聚合。每种配置还使用两种不同的训练策略进行了测试——掩蔽（训练期间随机省略50%的传感器节点）和未掩蔽（利用完整的传感器信息）。表1总结了在四个指标上的比较性能：MAE、MAPE、NSE和 R²。

结论

本研究介绍了一种DGCN模型，它能有效整合定向流动依赖性，以增强给水管网（WDNs）中的水质预测。传统的基于GCN的方法依赖于无向消息传递，未能捕捉水输送的不对称性，导致性能欠佳。DGCN通过显式建模上游和下游影响克服了这一局限性，确保了更准确地表示氯的动态变化。