可靠和自适应的概率预测事件驱动的水质时间序列,使用封闭式混合混合密度网络

科学领域:

• 环境科学 环境科学
• 数据科学数据科学数据科学
• 机器学习 机器学习

背景情况:

• 可靠的水质预测对于环境管理至关重要.
• 建模时间变动的不确定性 (异种多样性) 是一个挑战,特别是在破坏性事件,如风暴.
• 标准概率模型往往无法在波动时期准确地表示不确定性.

研究的目的:

• 引入封闭式混合混合密度网络 (GH-MDN),用于WQ预测中的自适应性不确定性估计.
• 开发一种可以调节预测间隔宽度以响应事件前体信号的模型.
• 提高环境预测系统的可信性和可靠性.

主要方法:

• 开发了一种新的封闭式混合密度网络 (GH-MDN) 架构.
• 整合了一个门网,以自适应地调整预测间隔.
• 通过交叉验证对合成和现实世界WQ数据集进行了GH-MDN的评估.

主要成果:

• GH-MDN证明了强大的校准和可靠的适应性覆盖.
• 该模型成功地扩大了预测间隔,以捕捉基准失败的极端WQ事件.
• 分析显示,像CRPS这样的综合指标可以在罕见事件中掩盖过度自信的行为,突出了对校准重点评估的需求.

结论:

• GH-MDN提供了一个以科学为基础的方法,用于在WQ预测中建模异性.
• 优先考虑可靠的风险覆盖,而不是总的错误最小化,对于可信的环境系统至关重要.
• 这项工作在开发更可靠的环境预测工具方面取得了重大进展.