An ensemble wavelet-based stochastic data-driven framework for addressing nonlinearity, multiscale change, and uncertainty in water resources forecasting
Why this work is in the frame
A frame that forgets how it found something cannot be audited. These are the routes that admitted this work.
Bibliographic record
Abstract
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.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
Full frame distilled prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. Learned from the 10,348 direct Codex labels and 10,348 direct Gemma labels. Candidate is the union of thresholded teacher heads; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels or direct frontier model labels.
Codex and Gemma teacher scores by category
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.002 | 0.002 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.000 | 0.000 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.000 | 0.001 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.000 | 0.001 |
| Insufficient payload (model declined to judge) | 0.000 | 0.000 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from it