| Название исследуемой задачи: | Comparative Analysis of Data-Driven Approaches for Hydrological Forecasting |
|---|---|
| Тип научной работы: | M1P |
| Автор: | Эльдар Русланович Хузин |
| Научный руководитель: | Профессор, Максимов Юрий |
| Научный консультант(при наличии): | Кандидат, Новиков Иван |
| Русская версия | English version |
|---|---|
| В работе исследуется задача прогнозирования речного стока и уровня воды. Выполнено сравнение data-driven подходов: классических методов машинного обучения (Random Forest, CatBoost), как легко вычислимых и быстро обучаемых, рекуррентных нейросетей (LSTM) и современных архитектур (Transformers). Сравнительный анализ проводится на данных рек России и Франции [уточнить описание датасетов], включающих как временные ряды наблюдений на гидрологических постах, так и статические характеристики водосборов. [Добавить описание метрик]. [Добавить описание результатов сравнительного анализа моделей] | In this study, we research the task of forecasting river discharge and water levels. We provide a comparative analysis of data-driven approaches: classic machine learning methods (Random Forest and CatBoost), known for their computational efficiency and rapid training times, recurrent neural networks (LSTM), and advanced architectures based on Transformers. The evaluation utilizes diverse hydrological datasets collected from rivers in Russia and France, encompassing both dynamic hydrological time series from gauging stations and static catchment characteristics. |