Abstract
Точное прогнозирование стока (расхода воды) имеет реша-ющее 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 раз-рыв закрывается за счет представления и оценки модель-независимого ансам-блевого фреймворка, вдохновленного децентрализованными механизмами кон-сенсуса в технологии блокчейн и предназначенного для повышения точности и робастности прогнозов. Фреймворк интегрирует ежедневные предсказания четырех различных моделей LongShortTermMemory, используя три динамиче-ские стратегии агрегирования: Quorum-basedMedianAgreement, Skill-WeightedVoting и AdaptiveLeaderSelection. Для сравнения также оцениваются известные адаптивные ансамблевые методы — OnlineSuperLearner и DynamicModelAv-eraging. 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 превос-ходят как отдельные модели, так и традиционное ансамблевое усреднение, а также дополнительные адаптивные бэйслайны. После коррекции систематиче-ских ошибок подход Skill-WeightedVoting достиг наивысшей общей точности с Kling-Gupta Efficiency 0.965 и Nash-SutcliffeEfficiency 0.933, тогда как страте-гия AdaptiveLeaderSelection оказалась наиболее робастной, обеспечив мини-мальную абсолютную ошибку 90-го перцентиля, тем самым снижая масштаб крупных ошибок прогноза. Эти результаты демонстрируют, что сочетание кон-сенсуса, вдохновленного блокчейном, с коррекцией ошибок в реальном време-ни является практичным и эффективным путем к созданию более устойчивых моделей прогнозирования.