Neural Networks for Extreme Quantile Regression with an Application to Forecasting of Flood Risk
极端分位数回归神经网络及其洪水风险预测应用AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要明确采用极端分位数回归、循环时间序列建模和提前一天预测，应用对象为洪水风险。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
关注这篇论文的作者
极端分位数回归神经网络及其洪水风险预测应用
- 研究问题
- 当极端分位数超出历史观测范围且预测变量关系复杂时，如何进行条件尾部外推，并利用时空信息预测次日洪水风险？
- 方法与思路
- 作者提出结合神经网络与极值理论的 EQRN，并开发捕捉序列依赖的循环版本，利用多个时空协变量预测重现水平和超越概率。
- 材料陈述的贡献
- 摘要称，方法可在复杂预测变量依赖下进行尾部外推，并在瑞士 Aare 流域提供次日风险预测，随分布变化调整预测。
- 阅读关注点
- 应核对极值尾部假设、阈值及网络训练方式，以及样本外尾部分位数校准、时间划分和分布变化下适应能力的证据。
- 阅读边界
- 这是 arXiv 预印本，同行评审或期刊接收未核实；摘要未给出预测误差、校准结果或外推条件，不能据此判断对新流域的有效性。
原文摘要
Risk assessment for extreme events requires accurate estimation of high quantiles that go beyond the range of historical observations. When the risk depends on the values of observed predictors, regression techniques are used to interpolate in the predictor space. We propose the EQRN model that combines tools from neural networks and extreme value theory into a method capable of extrapolation in the presence of complex predictor dependence. Neural networks can naturally incorporate additional structure in the data. We develop a recurrent version of EQRN that is able to capture complex sequential dependence in time series. We apply this method to forecast flood risk in the Swiss Aare catchment. It exploits information from multiple covariates in space and time to provide one-day-ahead predictions of return levels and exceedance probabilities. This output complements the static return level from a traditional extreme value analysis, and the predictions are able to adapt to distributional shifts as experienced in a changing climate. Our model can help authorities to manage flooding more effectively and to minimize their disastrous impacts through early warning systems.