Timing error correction procedure applied to neural network rainfall—runoff modelling

Publisher Website
Google Scholar
Abstract
Several studies have observed that neural network models will often produce phase-shift errors or timing lags in their output results. This paper investigates a potential solution to the timing error problem through the application of a procedure first applied in sunspot prediction. This procedure was applied to two neural network hydrological forecasting models for the River Ouse, in northern England, using a neuro-evolution toolbox. Models were optimised on a combination of root mean squared error and a timing correction factor. The application of this correction procedure produced timing improvements of up to about six hours on average over shorter forecasting horizons, whereas longer horizons showed little or no overall improvement in timing. The correction procedure also produced improved lower-magnitude estimates at the expense of higher-magnitude events over shorter forecasting horizons and, more significantly, improved higher-magnitude estimates at the expense of lower-magnitude events over longer forecasting horizons. Plusieurs études ont constaté que les modèles à base de réseaux de neurones génèrent souvent des erreurs de glissement de phase ou des décalages temporels dans leurs simulations. Cet article étudie une solution possible au problème de l'erreur temporelle à travers la mise en œuvre d'une procédure initialement appliquée à la prévision des tâches solaires. Cette procédure a été appliquée à deux modèles de réseaux de neurones de prévision hydrologique de la Rivière Ouse dans le nord de l'Angleterre, à l'aide d'une boîte à outils de neuro-évolution. Les modèles ont été optimisés grâce à une combinaison de l'erreur quadratique moyenne et d'un facteur de correction temporelle. La mise en œuvre de cette procédure de correction a permis d'améliorer les ajustements temporels pour de courts horizons de prévision, allant jusqu'à environ six heures en moyenne; tandis que peu ou pas d'amélioration générale n'est permise pour des horizons plus longs. La procédure de correction a également permis d'améliorer les estimations pour des événements de plus faible amplitude au détriment de ceux de plus grande amplitude sur des horizons de prévision plus courts et, de manière plus significative, pour des événements de plus forte amplitude au détriment de ceux de plus faible amplitude sur des horizons de prévision plus longs.