面向水资源管理的含不确定性量化的径流预测：一种约束推理与学习方法
机器学习
2024-06-04 v1 人工智能
摘要
预测径流的时空变化并量化不确定性，有助于为可持续管理稀缺水资源进行决策。基于过程的（又称基于物理的）水文模型基于物理定律，但使用简化假设，可能导致精度较差。数据驱动方法提供了一种强大的替代方案，但它们需要大量训练数据，并且往往产生与物理定律不一致的预测。本文研究了一种约束推理与学习（CRL）方法，其中将表示为逻辑约束的物理定律作为一层集成到深度神经网络中。为应对小样本数据场景，我们开发了一种有理论依据的训练方法，以提高深度模型的泛化精度。对于不确定性量化，我们通过将学习到的潜在表示作为输入传递给一个标准的基于距离的核，结合了高斯过程（GPs）和深度时序模型（即用于时间序列预测的深度模型）的协同优势。在多个真实世界数据集上的实验证明了CRL和带深度核的GP方法相对于强基线方法的有效性。
引用
@article{arxiv.2406.00133,
title = {Streamflow Prediction with Uncertainty Quantification for Water Management: A Constrained Reasoning and Learning Approach},
author = {Mohammed Amine Gharsallaoui and Bhupinderjeet Singh and Supriya Savalkar and Aryan Deshwal and Yan Yan and Ananth Kalyanaraman and Kirti Rajagopalan and Janardhan Rao Doppa},
journal= {arXiv preprint arXiv:2406.00133},
year = {2024}
}