Incertitude et prévisions fiables
Construire les outils pour rendre les prévisions probabilistes fiables, auditables et exploitables.
- 100+
- Fonctions graphiques
- 2
- Nouveaux cadres
- JOSS
- Outil évalué par les pairs
- 4+
- Publications
Biais, finesse, calibration et fiabilité réunis dans une seule boîte à outils.
Le score Cluster-Aware Severity et les diagnostics k-diagram pour juger la qualité des prévisions probabilistes.
2025
JOSS · EMS
Le problème
La plupart des modèles de prévision produisent des estimations d'incertitude, mais peu de praticiens savent comment les interpréter. Les lacunes de couverture, la surconfiance et la mauvaise calibration passent inaperçues — menant à des décisions basées sur une fausse confiance.
L'innovation
Le cadre k-diagram introduit un système de coordonnées polaires pour visualiser plusieurs dimensions de la qualité des prévisions simultanément — couverture, calibration, sévérité et fiabilité — dans un seul graphique interprétable.
Une application concrète : la prévision de l'affaissement
Comment les diagnostics k-diagram ont amélioré l'évaluation de modèles réels
- 1
Générer des prévisions
Exécuter le modèle XTFT ou PINN pour produire des prédictions probabilistes d'affaissement avec intervalles de confiance.
- 2
Appliquer k-diagram
Alimenter les prédictions dans le toolkit k-diagram pour produire des graphiques de diagnostic polaires à tous les niveaux de couverture.
- 3
Interpréter & améliorer
Identifier les lacunes de couverture, les intervalles trop confiants ou les biais systématiques et réentraîner en conséquence.
À quoi peut répondre k-diagram ?
Le toolkit k-diagram transforme des métriques d'incertitude abstraites en diagnostics visuels.
“Mon modèle est-il bien calibré ?”
Visualiser si les intervalles de prédiction contiennent réellement la vraie valeur au niveau de confiance indiqué.
“Où la couverture échoue-t-elle ?”
Identifier les niveaux de couverture ou horizons temporels spécifiques où le modèle sous- ou sur-prédit systématiquement.
“Quelle est la sévérité des erreurs ?”
Quantifier l'ampleur des lacunes de couverture et leur impact potentiel sur les décisions en aval.
Résultats clés
Ce que cet axe de recherche a produit jusqu'ici.
- 4+
Publications
JOSS, Environmental Modelling & Software et des travaux en évaluation sur les diagnostics probabilistes et le score sensible aux grappes.
- 1
Outil évalué par les pairs
k-diagram, publié dans le Journal of Open Source Software (2025), avec documentation et exemples reproductibles.
- 2
Nouveaux cadres
Le score Cluster-Aware Severity et les diagnostics k-diagram pour juger la qualité des prévisions probabilistes.
- 100+
Fonctions graphiques
Biais, finesse, calibration et fiabilité réunis dans une seule boîte à outils.
Logiciels et documentation
Les outils open source qui mettent ces recherches en pratique.
k-diagram
Boîte à outils de diagnostics polaires pour l'incertitude, la couverture, la calibration et la sévérité des prévisions.
Publications associées
Articles évalués par les pairs et prépublications issus de cet axe.
- 2024Publié
Machine learning-based techniques for land subsidence simulation in an urban area
Liu, J.; Liu, W.; Allechy, F. B.; Zheng, Z.; Liu, R.; Kouadio, K. L.*
Journal of Environmental Management
Lire l'article - 2026Publié
A diagnostic framework for interpreting spatiotemporal probabilistic forecasts
Kouadio, K. L.; Liu, R.; Loukou, K. G. H.; Liu, W.; Qing, Z.; Liu, Z.
Environmental Modelling & Software
Lire l'article - 2025Publié
k-diagram: Technical Report — Derivations and Details
Kouadio, K. L.
Zenodo
Lire l'article - 2025Publié
k-diagram: Rethinking Forecasting Uncertainty via Polar-Based Visualization
Kouadio, K. L.
Journal of Open Source Software
Lire l'article - 2025En révision
XTFT: A Next-Generation Temporal Fusion Transformer for Uncertainty-Rich Time Series Forecasting
Kouadio, K. L.; Liu, Z.; Liu, R.; Bizimana, P. C.; Yang, G.; Liu, W.
IEEE TPAMI
Lire l'article - 2025En révision
Cluster-Aware Severity: Diagnosing Bursts of Prediction-Interval Violations
Kouadio, K. L.; Liu, R.
Information Sciences
Continuer l'exploration
Chaque axe nourrit les autres — voici où aller ensuite.
Big Data dans les systèmes terrestres
Satellites, prospections géophysiques et réseaux de capteurs produisent bien plus de données que les méthodes géoscientifiques classiques ne peuvent en exploiter.
Explorer
Risques naturels
Affaissement des sols, contamination par des décharges défaillantes et feux de forêt menacent villes, eaux et écosystèmes — souvent plus vite que la surveillance.
Explorer
Eaux souterraines et exploration minière
Trouver l'eau et les ressources minérales là où les données manquent reste coûteux et incertain.
Explorer