用于极端分位数回归的神经网络及其在洪水风险预测中的应用
统计方法学
2024-11-14 v4 应用统计
机器学习
摘要
极端事件的风险评估需要准确估计超出历史观测范围的高分位数。当风险依赖于观测预测变量的值时，需使用回归技术在预测变量空间中进行插值。我们提出EQRN模型，将神经网络与极值理论的工具结合为一种能够在复杂预测变量依赖下外推的方法。神经网络可自然融入数据中的额外结构。我们开发了EQRN的循环版本，能够捕捉时间序列中复杂的序列依赖。我们将该方法应用于瑞士阿勒河集水区的洪水风险预测。它利用时空多协变量的信息，提供提前一天的返回水平和超越概率预测。该输出补充了传统极值分析的静态返回水平，且预测能够适应变化气候中所经历的分布式偏移。我们的模型可帮助当局通过预警系统更有效地管理洪水并最小化其灾难性影响。
引用
@article{arxiv.2208.07590,
title = {Neural Networks for Extreme Quantile Regression with an Application to Forecasting of Flood Risk},
author = {Olivier C. Pasche and Sebastian Engelke},
journal= {arXiv preprint arXiv:2208.07590},
year = {2024}
}