Fuzzy-based input method for uncertainty quantification in a deterministic model comparison with ChatGPT for peak flow prediction
Notice bibliographique
Résumé
• Compared model performance of PCSWMM and GPT models for peak-flow prediction under varying data-split approaches using comprehensive evaluation metrics. • Developed a novel integration of fuzzy methods for quantifying uncertainty in rainfall and peak-flow observations. • Quantified the uncertainty in model prediction (peak flow), enhancing real-world plausibility and interpretability of predictions, and effectively conveying this uncertainty to stakeholders for informed decision-making. ChatGPT, a generative AI, is applied and compared to the PCSWMM hydrological model for modelling peak flow in a small watershed in the runoff period of April to September. A new approach for fuzzy mathematical representation of rainfall and peak-flow errors was developed to lead to a fuzzy based GPT model and fuzzy based PCSWMM model. This led to fuzzy output for both models and a more appropriate application of both models given data errors and large language model structure. Training and validation were conducted with an approximately 25/75 split of the data and again using a 75/25 data split. Evaluation metrics were used to compare model performance under the different data-split scenarios. Calibrated and validated PCSWMM outperformed GPT in the 25/75 data split but ChatGPT 4o mini’s generation outperformed PCSWMM in the 75/25 split and with comparable validation metrics and an application that was less onerous than when using PCSWMM. The fuzzy-based error analysis showed that for both models, a fuzzy-based approach produced more interpretable and reasonable results than either original model. Moreover, the trade-off between coverage (uncertainty range) and precision for GPT‑4o mini model’s fuzzy output at high membership levels demonstrated enhanced predictive performance under data‑scarce conditions.
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 | 0,002 | 0,005 |
| 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) | 0,002 | 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 ».