时间融合 Transformer 在径流模拟中的有效性
地球物理
2025-06-27 v1 机器学习
应用统计
摘要
将注意力机制与循环机制相结合已在序列建模中显示出价值，包括水文预测。在这里，我们探索了时间融合Transformer（TFT）在降雨-径流建模中相对于长短期记忆（LSTM）网络的优势。我们针对美国的531个CAMELS流域训练了十个随机初始化的模型，包括TFT和LSTM。我们使用Caravan数据集的五个子集重复了该实验，每个子集分别代表美国、澳大利亚、巴西、英国和智利的流域。然后，评估了模型的性能、它们关于流域属性的变异性以及根据数据集产生的差异。我们的研究结果表明，TFT的表现略优于LSTM，特别是在模拟水文过程线的中段和峰值方面。此外，我们展示了TFT处理更长序列的能力以及为什么它可以成为更大或更高流域的更好候选者。作为一种可解释的AI技术，TFT识别了关键的动态和静态变量，提供了有价值的科学见解。然而，TFT和LSTM在Caravan数据集上的性能均出现显著下降，表明可能存在数据质量问题。总体而言，该研究突出了TFT在改善水文建模和理解方面的潜力。
引用
@article{arxiv.2506.20831,
title = {Efficacy of Temporal Fusion Transformers for Runoff Simulation},
author = {Sinan Rasiya Koya and Tirthankar Roy},
journal= {arXiv preprint arXiv:2506.20831},
year = {2025}
}