SELF-ADAPTIVE OPTIMIZATION FRAMEWORK FOR WATER QUALITY PREDICTION

The framework predicts water-quality data from observation data associated with raw features, e.g., rainfall. In the framework, an artificial neural network (ANN) computes the predicted water-quality data from feature data associated with impact features and derived from the observation data. The impact features are learnable, and are selected from impact-feature candidates comprising directional change- (DC-based) features each indicating occurrence of DC events in a corresponding raw feature. Including the DC-based features in the candidates enhances the ANN's ability of capturing significant change patterns of water quality due to extreme/unexpected events. The ANN architecture is also configurable according to model hyperparameters, which are learnable. The impact features and model hyperparameters are learnt by differential evolution for maximizing a prediction performance achieved by the ANN, thereby enabling the ANN architecture and impact features to be automatically optimized without requiring manual adjustment by domain experts in applying the ANN to different situations. Le cadre d'applications selon l'invention prédit des données de qualité d'eau à partir de données d'observation associées à des caractéristiques brutes, par exemple, la pluie. Dans le cadre d'applications, un réseau neuronal artificiel (ANN) calcule les données de qualité d'eau prédites à partir de données de caractéristiques associées à des caractéristiques d'impact et dérivées des données d'observation. Les caractéristiques d'impact peuvent être apprises, et sont sélectionnées parmi des candidats de caractéristiques d'impact comprenant des caractéristiques de changement de direction (basées sur DC) indiquant chacune l'occurrence d'événements DC dans une caractéristique brute correspondante. L'inclusion des caractéristiques basées sur DC dans les candidats améliore la capacité de l'ANN de capturer des motifs de changement significatifs de qualité de l'eau dus à des événements extrêmes/inattendus. L'architecture ANN est également configurable selon des hyperparamètres de modèle, qui peuvent être appris. Les caractéristiques d'impact et les hyperparamètres de modèle sont appris par évolution différentielle afin de maximiser une performance de prédiction de l'ANN, ce qui permet d'optimiser automatiquement l'architecture ANN et les caractéristiques d'impact sans nécessiter d'ajustement manuel par des experts de domaine lors de l'application de l'ANN à différentes situations.