APS-LSTM: 利用多周期性与多样空间依赖进行洪水预报
机器学习
2024-12-11 v1 人工智能
摘要
准确的洪水预测对于灾害预防与减灾至关重要。水文数据表现出高度非线性时间模式，并包含降雨与径流之间复杂的空间关系。现有洪水预测模型难以捕捉这些复杂的时间特征和空间依赖。本文提出了一种基于LSTM的自适应周期与空间自注意力方法（APS-LSTM）以应对这些挑战。APS-LSTM从多周期性视角学习时间特征，并从不同周期划分中捕捉多样空间依赖。APS-LSTM包含三个主要阶段：(i) 多周期划分，利用快速傅里叶变换（FFT）划分各种周期模式；(ii) 时空信息提取，执行周期与空间自注意力，聚焦于周期内与周期间时间模式及空间依赖；(iii) 自适应聚合，依据振幅强度聚合各周期划分的计算结果。在两个真实数据集上的大量实验证明了APS-LSTM的优越性。代码地址：https://github.com/oopcmd/APS-LSTM。
引用
@article{arxiv.2412.06835,
title = {APS-LSTM: Exploiting Multi-Periodicity and Diverse Spatial Dependencies for Flood Forecasting},
author = {Jun Feng and Xueyi Liu and Jiamin Lu and Pingping Shao},
journal= {arXiv preprint arXiv:2412.06835},
year = {2024}
}
备注
Received by IEEE SMC