Prophet-Based Artificial Intelligence Versus Seasonal Auto-Regressive Models for Flood Forecasting with Exogenous Variables
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Accurate stream flow forecasting is essential for flood risk management and preparedness. This study compares two forecasting approaches: (a) the Seasonal Auto-Regressive Integrated Moving Average with Exogenous Regressors (SARIMAX), a classical statistical model, and (b) Prophet, a decomposable time-series forecasting model that incorporates seasonality and exogenous predictors. Forecasts were generated for 15-day and 3-day horizons and evaluated using uncertainty bounds, Mean Absolute Error (MAE), Root Mean Square Error (RMSE), and the coefficient of determination (R2). Results indicate that SARIMAX was less effective at capturing the observed variability, producing wide uncertainty (177.7%) and high errors (MAE = 153.73; RMSE = 207.10) with a negative R2 (–4.42). At shorter horizons, its performance remained limited (uncertainty = 28.04%; MAE = 61.52; RMSE = 94.88; R2 = –0.14). In contrast, Prophet achieved significantly lower uncertainty (16%), high accuracy (R2 = 0.95), and exceptional performance on short-term forecasts (R2 = 0.99). Conventional procedures such as SARIMAX have long been relied upon by engineers for their interpretability, and remain important as part of a strategy; however, they fail to represent nonlinear dynamics and exogenous influences now captured effectively by AI-based models. These findings highlight Prophet’s superiority across horizons and its promise for enhancing operational flood forecasting through its ability to effectively capture non-linear dynamics and exogenous influences.
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.
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) | 0,000 | 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 découle