地下水位预测时间序列预测方法的实验研究
机器学习
2022-09-29 v1
摘要
地下水位预测是一项具有重要社会影响的应用时间序列预测任务，可用于优化水资源管理以及预防某些自然灾害：例如洪水或严重干旱。文献中已有机器学习方法完成该任务，但它们仅聚焦于单一位置的地下水位预测。全局预测方法旨在利用来自广泛位置的地下水位时间序列，一次性在单个或多个地点产生预测。鉴于全局预测方法在著名竞赛中的近期成功，在地下水位预测上评估它们并观察其与局部方法的比较是有意义的。本工作中，我们创建了一个包含 1026 条地下水位时间序列的数据集。每条时间序列由地下水位日测量值及两个外生变量（降雨与蒸散发）组成。该数据集向各界公开以保证可复现性与进一步评估。为确定对完整时间序列集有效预测地下水位的较佳配置，我们比较了包括局部与全局时间序列预测方法在内的不同预测器。我们评估了外生变量的影响。结果分析表明，最佳预测通过对过去地下水位与降雨数据训练全局方法获得。
引用
@article{arxiv.2209.13927,
title = {Experimental study of time series forecasting methods for groundwater level prediction},
author = {Michael Franklin Mbouopda and Thomas Guyet and Nicolas Labroche and Abel Henriot},
journal= {arXiv preprint arXiv:2209.13927},
year = {2022}
}