Notice bibliographique
Résumé
Abstract There are several issues surrounding the general practice of water demand forecasting. Boland (1) points out that any forecast has two essential components: explanation and prediction: “Explanation of water use usually takes the form of a model that relates the past observed level of water use to various variables. Replacing past values of the explanatory variables with those expected in the future produces a prediction of future water use” (pp. 162–163). Historically, the first of these two tasks—explaining water use—has been done by using ‘fixed‐coefficient’ models. In this approach, it is assumed that water use is related to a single explanatory factor such as population and, further, that the relationship between water use and population is a fixed, proportional one. Dziegielewski (2), for example, provides a brief review of the history of urban water demand forecasting and demonstrates that, in the ‘traditional’ method of forecasting, total future demand is predicted as the product of expected population growth and a fixed per capita water use coefficient. This method was subsequently refined by disaggregating total water use by user classes, area, and time period. The fundamental forecasting method remained the same, however; ‘unit water use coefficients’ is multiplied by the projected growth in a particular user group in a specific location. The fundamental shortcoming of the fixed coefficient approach is that it fails to anticipate changes in the relationship between water use and the dominant explanatory variable that may arise from changes in other, neglected variables. For example, forecasts of residential water use that are based on the number of households in an area may overstate future water demands if they neglect the impacts of rising water prices. More recently, more complex models have sought to estimate statistically the relationship between water use and a set of explanatory variables, including water prices.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,002 |
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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».