深度学习基础模型与模式模型：水文时间序列中的挑战
机器学习
2025-09-22 v3
摘要
针对时间序列分析（包括基础模型）的深度学习方法已有积极的研究。然而，大多数研究并未涉及重要的科学应用。本文旨在通过检查水文数据来识别时间序列的关键特征。我们的工作通过强调关键应用特征推动了计算机科学的发展，并通过识别有效捕捉这些特征的建模方法，为水文学及其他科学领域做出了贡献。科学时间序列数据本质上是复杂的，涉及来自多个位置的观测，每个位置都有各种随时间变化的数据流和可能是静态或时变、且与应用相关或纯数学的外生因素。本研究分析了来自CAMELS和Caravan全球数据集的水文时间序列，这些数据集包含跨流域的降雨和径流数据，在约8000个位置上拥有多达六个观测流和209个静态参数。我们的研究通过八种针对关键水文任务的不同模型配置，评估了外生数据的影响。结果表明，整合外生信息增强了数据表示，在最大的数据集中将均方误差降低了高达40%。此外，我们详细比较了超过20种最先进的模式模型和基础模型的性能。该分析完全开源，通过Google Colab上的Jupyter Notebook实现，用于基于LSTM的建模、数据预处理和模型比较。使用替代深度学习架构的初步结果表明，整合了全面观测数据和外生数据的模型优于包括基础模型在内的更受限的方法。值得注意的是，自然年度周期性外生时间序列带来了最显著的改进，尽管静态和其他周期性因素也很有价值。
引用
@article{arxiv.2410.15218,
title = {Deep Learning Foundation and Pattern Models: Challenges in Hydrological Time Series},
author = {Junyang He and Ying-Jung Chen and Alireza Jafari and Anushka Idamekorala and Geoffrey Fox},
journal= {arXiv preprint arXiv:2410.15218},
year = {2025}
}