IMPROVING ROBUSTNESS IN AI FLOOD FORECASTING VIA BLOCKCHAIN-INSPIRED CONSENSUS MODELS

Аннотация

Точное прогнозирование стока (расхода воды) имеет решающее значение для эффективного управления водными ресурсами и снижения риска наводнений. Хотя ансамблевое прогнозирование повышает робастность, его потенциал нередко ограничивается статическими методами агрегирования, которые не учитывают динамическую надежность отдельных моделей и часто «приглушают» сигнал от наиболее точного прогноза. В данной работе этот разрыв закрывается за счет представления и оценки модель-независимого ансамблевого фреймворка, вдохновленного децентрализованными механизмами консенсуса в технологии блокчейн и предназначенного для повышения точности и робастности прогнозов. Фреймворк интегрирует ежедневные предсказания четырех различных моделей Long Short Term Memory, используя три динамические стратегии агрегирования: Quorum-based Median Agreement, Skill-Weighted Voting и Adaptive Leader Selection. Для сравнения также оцениваются известные адаптивные ансамблевые методы — Online Super Learner и Dynamic Model Averaging. Стратегии, вдохновленные блокчейном, рассматривают каждую модель как независимый узел, приходящий к коллективному соглашению на основе динамических метрик качества. Для дальнейшего повышения операционной надежности в качестве шага постобработки применен модуль для коррекции систематических ошибок прогноза без утечки данных в реальном времени. Экспериментальные результаты показывают, что стратегии консенсуса превосходят как отдельные модели, так и традиционное ансамблевое усреднение, а также дополнительные адаптивные бэйслайны. После коррекции систематических ошибок подход Skill-Weighted Voting достиг наивысшей общей точности с Kling-Gupta Efficiency 0.965 и Nash-Sutcliffe Efficiency 0.933, тогда как стратегия Adaptive Leader Selection оказалась наиболее робастной, обеспечив минимальную абсолютную ошибку 90-го перцентиля, тем самым снижая масштаб крупных ошибок прогноза. Эти результаты демонстрируют, что сочетание консенсуса, вдохновленного блокчейном, с коррекцией ошибок в реальном времени является практичным и эффективным путем к созданию более устойчивых моделей прогнозирования.