An ensemble wavelet-based stochastic data-driven framework for addressing nonlinearity, multiscale change, and uncertainty in water resources forecasting
Notice bibliographique
Résumé
Devenue, dans le domaine des ressources en eau, une alternative à la fois populaire et utile aux approches prévisionnelles conceptuelles ou fondées sur des critères physiques, les prévisions axées sur les données (c.à.d. régression, apprentissage machine, intelligence artificielle, etc.) sont privilégiées parce qu'elles reposent uniquement sur les relations statistiques entre les variables explicatives et le processus cible, n'exigent aucune connaissance physique explicite du processus étudié, sont rapidement élaborés, de faible coût, et faciles à mettre en œuvre en temps réel. Cependant, tout comme avec les approches prévisionnelles conceptuelles ou fondées sur des critères physiques, le caractère non-linéaire, multi-échelle et incertain des ressources hydriques pose un défi au développement de prévisions axées sur les données qui soient à la fois précises et fiables.Afin de s'adresser au caractère non-linéaire, multi-échelle et incertain des ressources hydriques, la présente étude visa à élaborer un innovant ensemble prévisionnel stochastique axé sur les données invoquant l'utilisation d'ondelettes (EW-SDDFF), permettant ainsi de prévoir un processus cible sous forme de fonction de densité de probabilité. Élaboré, mis à l'épreuve et mis en pratique dans une situation réelle de prévision de la demande urbaine d'eau quotidienne de la ville de Montréal (Québec), le EW-SDDFF offrit des prévisions précises et fiables sous différents délais, surpassant plusieurs indices de référence, et s'avérant particulièrement performant lors de la canicule de juillet 2010 qui frappa Montréal et plusieurs autres régions du Québec.L'EW-SDDFF aborde le caractère non-linéaire, multi-échelle et incertain des ressources hydriques de trois manières innovant, il emploi (i) un critère puisé de la théorie de l'information pour choisir les variables d'entrée, ainsi que des méthodes de prévision non-linéaires axées sur les données, (ii) une transformée en ondelettes pour s'adresser aux variations multi-échelles des variables explicatives et du processus cible, et (iii) la stochastique pour évaluer l'incertitude dans les données d'entrée, la sélection des données d'entrée, des paramètres et données de sortie des modèles. En fin de compte, l'EW-SDDFF offre une prévision stochastique qui s'adresse globalement à la non-linéarité, les variations multi-échelle et incertitude.L'élaboration de l'EW-SDDFF s'opéra en quatre étapes principales: (i) élaborer de nouvelles méthodes de modélisation dont le traitement informatique est efficace, non-linéaire et non-paramétrique, et qui permettent de sélectionner de données d'entrée pertinentes à la prévision du processus cible par un modèle non-linéaire axé sur les données, selon des critères puisés dans théorie de l'information; (ii) élaborer à la fois un ensemble de pratiques visant le bon usage des transformées en ondelettes dans les modèles prévisionnels à base d'ondelettes, et un réseau prévisionnel à base d'ondelettes (WDDFF) permettant de mettre en œuvre et comparer plusieurs types de transformées en ondelettes, différentes méthodes de sélection des données d'entrée, et différents modèles prévisionnels axées sur les données, tout cela pour créer de tels modèles pouvant être appliqués en situation réelle; (iii) en adoptant un cadre stochastique, une évaluation de l'incertitude est incluse dans le WDDFF, donnant lieu a un réseau prévisionnel à base d'ondelettes stochastique (SWDDFF); et (iv) en vue de tirer parti de la puissance des transformées en ondelettes multiples, des différentes méthodes de sélection des données d'entrée, et des modèles axées sur les données, un SWDDFF mono-ondelette fut transformé en un cadre stochastique multi-ondelettes d'ensemble axée sur les données (EW-SDDFF) et puisant sur de multiples prévisions WDDFF comme données d'entrée. En comparaison à son homologue mono-ondelette (SWDDFF), le EW-SDDFF améliora la précision et la fiabilité des prévisions.
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 | 0,001 | 0,002 |
| 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 | 0,001 |
| 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 ».