AquaCast：基于降水信息的多输入 Transformer 城市水力动态预测

本工作旨在解决城市水力动态预测的挑战，通过开发一个集成内生变量（如水位或流量）和外生因素（如降水历史和预测报告）的多输入多输出深度学习模型。不同于传统预测方法，AquaCast 模型能够捕捉所有输入变量之间的相互依赖和时序依赖，同时仅对内生变量进行预测。外生输入通过嵌入层融合，无需对其进行预测，从而更有效地关注其短期影响。我们在包括四个城市排水传感器测量数据组成的 LausanneCity 数据集上进行评估，证明仅使用内生变量即可达到最新水平的性能。随着外生变量和预测报告的加入，性能进一步提升。为评估模型的泛化性和可扩展性，我们还在三个大规模合成数据集上进行测试，这些数据集分别来自 MeteoSwiss 记录、Lorenz 吸引子模型和随机场模型，代表了跨 100 个节点的不同层次的时序复杂度。结果表明，该模型在实用和合成数据集上均显著优于现有基线方法，保持了稳健且准确的预测性能。