Comparative Analysis of Deep Learning Models for Real-time Time Series Prediction in Water Supply Systems: A Case Study in Incheon

국문 초록 (Abstract)

본 연구는 인천 서구에 위치한 두 개의 대표 상수도관을 대상으로 1년간(2023년) 1시간 단위로 수집된 유량 및 수압 자료를 이용하여 LSTM, Bi-LSTM, GRU, Transformer 등 네 가지 딥러닝 모델의 단기 예측 성능을 비교·평가하였다. 본 연구는 수리적 불안정성과 운영상의 사고 발생 가능성으로 IOT 센서와 모니터링이 도입되는 도시 상수도 시스템에서 보다 예측적이고 데이터 기반의 접근이 필요하다는 문제의식에서 출발하였다. 또한 관경이 서로 다른 두 관로를 분석함으로써, 관로의 수리·통계적 특성이 예측 성능과 시계열 구조에 어떠한 영향을 미치는지를 규명하고자 하였다.
기초 통계 분석 결과, 두 관로는 유량과 압력의 규모뿐 아니라 변동성에서도 뚜렷한 차이를 보였다. 대구경 관로(A Pipe)는 유량과 압력 모두에서 상대적으로 안정적이고 규칙적인 변동 패턴을 나타낸 반면, 소구경 관로(B Pipe)는 국지적 수요 변화의 영향을 받아 불규칙적이고 단속적인 시계열 특성을 보였다. 다만 두 개의 관로만을 대상으로 분석하였기 때문에, 이러한 관경 차이가 모든 상수도망에 보편적으로 적용된다고 일반화하기에는 한계가 있다. 따라서 본 연구의 결과는 관경 자체보다는 각 관로 데이터의 통계적 특성과 변동성이 예측 난이도와 모델 성능을 결정하는 주요 요인임을 보여주는 근거로 해석하는 것이 타당하다.
딥러닝 모델 비교 결과, 순환신경망(RNN) 기반 구조가 비선형적이고 불규칙한 수리 시계열을 학습하는 데 우수한 성능을 보였다. A Pipe에서는 GRU 모델이 유량 예측에서 가장 높은 정확도를 보였으며, Bi-LSTM 모델은 압력 예측에서 가장 우수한 성능을 나타냈다. B Pipe의 경우에는 LSTM 모델이 국지적 변동성이 큰 압력 자료를 가장 효과적으로 학습하였고, 유량 예측에서도 안정적인 결과를 보였다. 이러한 결과는 RNN 계열 모델이 수리 신호의 시계열적 의존성과 반복적 패턴을 포착하는 데 강점을 가지고 있음을 시사한다.
반면 Transformer 모델은 전반적으로 가장 낮은 R² 값을 기록하여 정확도 면에서는 열세를 보였으나, 학습 및 추론 속도는 가장 빨랐다. 이는 Transformer가 적절한 구조적 개선과 매개변수 조정이 이루어진다면, 대규모 모니터링 시스템에서 실시간 예측을 수행하는 데 경쟁력을 가질 수 있음을 의미한다.
본 연구의 결과는 예측 모델의 선택이 알고리즘의 복잡성만으로 결정되는 것이 아니라, 예측 대상이 되는 관로 자료의 통계적·물리적 특성과 밀접하게 연관되어 있음을 보여준다. 안정적이고 주기적인 패턴을 가진 관로에서는 GRU와 Bi-LSTM이 효과적이었으며, 불규칙하고 변동성이 높은 관로에서는 LSTM이 더 적합한 성능을 나타냈다. 이러한 결과는 상수도 운영자가 관로 특성을 고려하여 맞춤형 예측 모델을 선택하는 것이 중요함을 시사한다.
본 연구는 다음과 같은 의의를 갖는다. 첫째, 실험실 환경이 아닌 실제 상수도망에서 수집된 운영 데이터를 활용함으로써 실무적 적용 가능성을 확보하였다. 둘째, 단순한 예측 정확도 비교에 그치지 않고, 각 관로의 통계적 특성과 수리적 배경을 분석함으로써 모델 성능 차이의 원인을 다각적으로 해석하였다. 셋째, 이상치 탐지, 정규화, 시간 일관성 분할 등 표준화된 데이터 전처리 절차를 제안하여 향후 모니터링 및 예측 연구에 활용 가능한 체계를 마련하였다.
하지만 본 연구는 몇 가지 한계를 지닌다. 분석 대상이 두 개의 관로에 국한되어 있어 다양한 관로 규모·압력대·운영 조건을 반영하지 못하였으며, 펌프 가동, 밸브 조작, 누수 등 외생적 운영 요인은 모델에 포함되지 않았다. 그럼에도 불구하고 본 연구는 도시 상수도 시스템에서 수리 예측 모델링을 고도화하기 위한 기반을 제시하였다. 본 연구에서 도출된 모델 성능 비교 결과는 상수도 운영자가 관경과 데이터 특성에 적합한 예측 모델을 선택하는 데 실질적인 참고 자료가 될 수 있으며, 향후 실시간 예측·제어 시스템, 데이터 기반 의사결정 체계 구축 등으로 확장될 수 있을 것이다.
주제어: 딥러닝, 데이터 예측, 수리 예측, 실시간 모니터링 데이터, 도시 상수도 시스템

다국어 초록 (Multilingual Abstract)

The provision of safe and reliable water supply in contemporary capital cities has gained attention. Despite the continuous developments in digital monitoring and automated operation, events like Incheon’s red-water problem in 2019 and larvae contamination that was reported in 2020 showed how the aging distribution systems can still unexpectedly fail. These incidents show that preventive maintenance on its own cannot avoid such disruptions and early detection of deviation in hydraulic activities is critical for enhancing the system resilience.
In recent years, a range of local governments have put in place IoT-based sensing platforms to monitor hydraulic conditions on an ongoing basis by flow rate and pressure measurement, for example. However, while this technological advancement has increased the efficiency and timeliness of data acquisition, their application in analytical applications is scarce. In some instances, the measured data is applied to visualization dashboards or basic threshold alarms, instead of being processed to predict the network. Therefore, the gap between the development of data collected through monitoring and its use as a predictor tool to support preventative maintenance and decision making is still visible.
In order to fill this gap, this research investigate the real-time forecast predictive power of four deep learning models (LSTM, Bidirectional LSTM, GRU, and Transformer) built with respect to the water distribution pipeline. Analysis is performed using hourly flow and pressure readings recorded in 2023 from two pipelines in Oryuwang-gil, Seo-gu, Incheon. One of the pipelines is a 600-mm main serving approximately 1,770 people, whereas the other is an 80-mm line serving about 12,202 residents. Data processing was performed via a formal workflow which included removal of outliers, application of Min–Max normalization, separating sequences into training, validation and test sets so as not to cause leakage and ensure fairness in the evaluation.
The analysis performed R² and RMSE to quantify the performance of the models. The pipeline diameter significantly affected the variation of the data and prediction models according to the analysis. The larger pipeline exhibited more smooth and occasional shifts in flow and pressure, which was advantageous to models that learned to see a straight line in time that was continuous. In this approach, GRU model had the highest accurate discharge prediction in terms of R² = 0.786 (RMSE = 68.33) and Bidirectional LSTM was best at predicting pressure (R² = 0.414). However, in a smaller pipeline-based setup fluctuations were rapid and erratic driven by localised consumption patterns. With this in view the standard LSTM model gave the best pressure measurements (RMSE = 0.038, R² = 0.597) and relatively stable discharge estimates (R² = 0.331).
The Transformer model yielded the weakest prediction accuracy for both pipes, but its reduced training and inference time suggests potential for long-term use in applications requiring rapid, real-time forecasting once the architecture is appropriately optimized. In general, the study suggests that recurrent architectures, in particular LSTM, Bidirectional LSTM and GRU, are conducive to modeling the nonlinear time-varying dynamics associated with water distribution systems. Transformer-based models yield comparatively lower performance than those considered in this test, but also with advantages such as scalability and efficiency that need investigating. Additionally, the results indicate that predicting hydraulic parameters is primarily determined by the physical properties of the pipe (more specifically the diameter and the flow continuity), rather than by the service population size. Hence, to choose a proper model, we must pay attention to the hydraulic characteristics of each of the network segments.
This approach to IoT-based water systems takes its exploration from simple data monitoring to predictive, intelligence driven operations and hence a pathway towards advanced IoT based water management to be realized, is outlined in the methodological formulation presented here. Utilizing the application of deep learning predictions for operational functions enables utilities to enhance anomaly detection at the early phase of decision making while enabling more flexible and robust supply chain operations. This research leads to the smart, sustainable, and self-adjusting urban water infrastructure.
Keywords: Deep Learning, Data forecasting, Hydraulic forecasting, Real-time monitoring data, Urban water supply

목차 (Table of Contents)

• Abstract ......................................................................................................................i
• Table of Contents ......................................................................................................ii
• List of Tables............................................................................................................iii
• List of Figures..........................................................................................................iv
• Chapter 1. Introduction .............................................................................................1
• 1.1. Research Background and Objectives........................................................1
• 1.2. Research Scope and Contents ....................................................................3
• 1.3. Literature Review.......................................................................................6
• 1.3.1. Previous Studies on Hydraulic Forecasting.....................................6
• 1.3.2. Deep Learning Applications in Water Systems...............................7
• 1.3.3. Summary and Research Gap ...........................................................9
• Chapter 2. Theoretical Background......................................................................... 11
• 2.1. Hydraulic Principles in Water Distribution Systems................................ 11
• 2.1.1. Flow and Pressure Characteristics................................................. 11
• 2.1.2. Influence of Pipe Diameter and Head Loss...................................13
• 2.2. Time-Series Forecasting Framework........................................................14
• 2.2.1. Statistical and Machine Learning Approaches..............................14
• 2.2.2. Deep Learning Models for Sequential Data ..................................16
• 2.3. Deep Learning Architectures Used in This Study ....................................19
• 2.3.1. LSTM............................................................................................19
• 2.3.2. Bi-LSTM.......................................................................................21
• 2.3.3. GRU ..............................................................................................22
• 2.3.4. Transformer...................................................................................24
• 2.4. Model Evaluation Metrics........................................................................26
• 2.4.1. R...................................................................................................26
• 2.4.2. RMSE............................................................................................28
• Chapter 3. Study Area and Data ..............................................................................29
• 3.1. Overview of Study Area...........................................................................29
• 3.2. Data Collection and Preliminary Analysis ...............................................31
• 3.2.1. Outlier Removal ............................................................................31
• 3.2.2. Overview of Collected Time-Series Data for A and B Pipes.........33
• 3.2.3. Comparative Statistical Analysis and Correlation Assessment .....38
• 3.3. Data Preprocessing...................................................................................41
• 3.3.1. Normalization and Data Splitting..................................................41
• Chapter 4. Deep Learning Model Development and Optimization.........................44
• 4.1. Selection of Deep Learning Model Parameter .........................................44
• 4.2. Validation and Performance Assessment..................................................47
• Chapter 5. Results and Discussion ..........................................................................49
• 5.1. A Pipe (600 mm) Model Test Results.......................................................49
• 5.1.1. Discharge Prediction .....................................................................49
• 5.1.2. Pressure Prediction........................................................................51
• 5.2. B Pipe (80 mm) Model Test Results.........................................................54
• 5.2.1. Discharge Prediction .....................................................................54
• 5.2.2. Pressure Prediction........................................................................57
• 5.3. Comparative Analysis of Models.............................................................60
• 5.3.1. Performance Summary..................................................................60
• 5.3.2. Discussion on Model Suitability and Data Characteristics ...........63
• 5.3.3. Discussion for Future Application.................................................68
• Chapter 6. Conclusions ...........................................................................................70
• Reference.................................................................................................................73
• 국문초록.................................................................................................................81