A hybrid multi-model approach to river level forecasting

This paper presents four different approaches for integrating conventional and AI-based forecasting models to provide a hybridized solution to the continuous river level and flood prediction problem. Individual forecasting models were developed on a stand alone basis using historical time series data from the River Ouse in northern England. These include a hybrid neural network, a simple rule-based fuzzy logic model, an ARMA model and naive predictions (which use the current value as the forecast). The individual models were then integrated via four different approaches: calculation of an average, a Bayesian approach, and two fuzzy logic models, the first based purely on current and past river flow conditions and the second, a fuzzification of the crisp Bayesian method. Model performance was assessed using global statistics and a more specific flood related evaluation measure. The addition of fuzzy logic to the crisp Bayesian model yielded overall results that were superior to the other individual and integrated approaches. Approche multi-modèle hybride de la prévision du niveau des rivieres Résumé Cet article présente quatre exemples d'intégration de modèles prévisionnels conventionels et de modèles utilisant les techniques de l'intelligence artificielle afin de trouver une solution hybride au problème de la prévision des crues et du niveau des rivières. Différents modèles prévisionnels ont été développés séparément en utilisant les données historiques de la série chronologique de l'Ouse dans le nord de l'Angleterre, à savoir un réseau de neurones hybride, un modèle basé sur des règles utilisant la logique floue, un modèle ARMA (autorégressif à moyenne mobile) et des prévisions naïves. Ces modèles ont ensuite été intégrés en utilisant quatre méthodes différentes: le calcul d'une moyenne, la méthode de Bayes et deux modèles de logique floue, dont le premier s'appuie uniquement sur les conditions de l'écoulement fluvial actuel et antérieur alors que le second s'appuie sur la méthode de Bayes modifiée pour la rendre floue. La performance des modèles a été évaluée en utilisant des statistiques globales ainsi qu'un critère d'évaluation spécifique aux crues. L'introduction de la logique floue dans le modèle de Bayes a fourni des résultats supérieurs à ceux des autres modèles, qu'ils soient pris séparément ou intégrés.