| از الگوی مصرف تا کشف دستکاری کنتور: مقایسه هوش مصنوعی و یادگیری ماشین در شناسایی انحرافات مصرف آب |
| کد مقاله : 1124-IWWA (R1) |
| نویسندگان |
|
قاسم امینی * کارمند شرکت اب و فاضلاب استان قم |
| چکیده مقاله |
| تشخیص خودکار دستکاری کنتورهای آب یکی از چالش‌های مهم شرکت‌های آب و فاضلاب است؛ زیرا شناسایی دقیق کنتورهای مشکوک می‌تواند ضمن کاهش هزینه‌های بازرسی، هدفمندشدن عملیات میدانی و کاهش خطای انسانی را به دنبال داشته باشد. در این پژوهش، عملکرد پنج روش یادگیری شامل رگرسیون لجستیک، ماشین بردار پشتیبان (SVM)، جنگل تصادفی (Random Forest)، XGBoost و معماری Transformer برای تشخیص کنتورهای دستکاری‌شده مقایسه شد. داده‌های مورد استفاده شامل تاریخچه 24 مقدار مصرف و ویژگی‌های حاصل از الگوی مصرف 2601 مشترک با دستکاری کنتور و 2760 اشتراک بدون دستکاری کنتور بود. داده‌ها به‌صورت طبقه‌بندی‌شده به مجموعه‌های آموزش، اعتبارسنجی و آزمون تقسیم شدند و آستانه تصمیم هر مدل در مجموعه اعتبارسنجی با هدف دستیابی به ویژگی (Specificity) حداقل 90/0 تعیین شد. ارزیابی نهایی در مجموعه آزمون شامل 804 مشاهده، متشکل از 414 کنتور سالم و 390 کنتور دستکاری‌شده، انجام شد. نتایج نشان داد که Transformer با AUC برابر 708/0 بهترین عملکرد کلی را داشت و پس از آن XGBoost با AUC برابر 695/0، Random Forest با 696/0، SVM با 667/0 و رگرسیون لجستیک با 645/0 قرار گرفتند. در آستانه انتخاب‌شده، نرخ شناسایی دستکاری در Transformer برابر 5/29 درصد بود که از XGBoost (7/27 درصد)، Random Forest (2/26 درصد)، SVM (6/24 درصد) و رگرسیون لجستیک (1/23 درصد) بیشتر بود. یافته‌ها نشان می‌دهد که استفاده از مدل‌های غیرخطی و به‌ویژه معماری Transformer می‌تواند ظرفیت بیشتری برای استخراج الگوهای پیچیده و زمانی مصرف آب در تشخیص دستکاری کنتور داشته باشد. |
| کلیدواژه ها |
| دستکاری کنتور آب؛ الگوی مصرف آب؛ یادگیری ماشین؛ یادگیری عمیق؛ هوش مصنوعی |
| وضعیت: پذیرفته شده برای ارسال فایل های ارائه پوستر |
