Comparing A Bayesian and Fuzzy Number Approach to Uncertainty Quantification in Short-Term Dissolved Oxygen Prediction
Notice bibliographique
Résumé
A new autoregressive-type, updating fuzzy linear regression method is proposed to predict daily dissolved oxygen (DO) concentration in a highly urbanized riverine environment. Results of this model are compared to results from an updating Bayesian regression model. Both methods use lagged daily DO (at four different lags) as the independent variable. Uncertainty in the models is represented by a fuzzy number based approach in the first case, and by a Bayesian framework in the second. Real-time data from the Bow River in Calgary, Canada is used to calibrate the models sequentially to mimic a real-time updating model. Four different performance metrics were used to measure the performance of each model. Lastly, the input data resolution is reduced to measure the impact on model performance. Results show that the physical system can be adequately characterized using only one year of data. Both approaches can capture the general trend of daily DO, but the fuzzy number based method can better capture the changes in observed variability. The metrics for both models are comparable, with the one-day lag case categorized as “very good”; however, the performance reduces at higher lags. The fuzzy number method captures more low DO events than the Bayesian approach, with a much lower mean squared error. A possibility to probability transformation is used to highlight the risk of low DO days for the fuzzy case. Lastly, reducing the input data resolution from 96 to 6 points per day has a minimal impact on model performance, suggesting the limited efficacy or utility in increasing sampling rates.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,003 | 0,007 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».