Conditional Forecasting of Water Level Time Series with RNNs

Wir beschreiben eine praktische Situation, in der die Anwendung von Prognosemodellen zu Energieeffizienz und verringertem Risiko im Wasserstandsmanagement führen könnte. Die praktische Herausforderung, Wasserstände in den nächsten 24 Stunden vorherzusagen, und die verfügbaren Daten werden von einer holländischen regionalen Wasserbehörde bereitgestellt. Wir formalisierten das Problem als bedingte Vorhersage hydrologischer Zeitreihen: Die resultierenden Modelle können für die Bewertung realer Szenarien und die Entscheidungsunterstützung verwendet werden. Wir schlagen den neuartigen Encoder / Decoder mit Exogenous Variables RNN (ED-RNN) Architektur für bedingte Vorhersagen mit RNNs vor und vergleichen seine Leistung mit verschiedenen anderen Vorhersagemodellen für Zeitreihen. Wir zeigen, dass die Leistung der ED-RNN Architektur mit dem leistungsstärksten alternativen Modell vergleichbar ist (ein zuführendes ANN für direkte Vorhersagen) und kurzfristige Schwankungen der Wasserhöhen genauer erfasst.