层次条件多任务学习用于流量建模
机器学习
2024-10-21 v1
摘要
流量是水资源管理的关键因素，受复杂水文系统的制约，这些系统涉及由气象力驱动的中间过程。尽管深度学习模型在流量预测中取得了最新的成果，但其端到端单任务学习方法往往无法捕捉这些系统内部的因果关系。为此，我们提出了层次条件多任务学习（Hierarchical Conditional Multi-Task Learning, HCMTL），这是一种基于其与流量之间因果关系来联合建模土壤水分和雪蓄过程的层次方法。HCMTL利用任务嵌入连接网络模块，增强灵活性和表达性，同时捕捉土壤水分和雪蓄之外的未观测过程。它还采用条件小批量策略来改进长时间序列建模。我们在全球数据集上将HCMTL与五个基线方法进行比较。HCMTL在数百个流域上表现出色，持续时间较长，表明将领域特定的因果知识整合到深度学习中可提高预测精度和可解释性。这对于推动我们对复杂水文系统的理解，以及支持高效的水资源管理以缓解干旱和洪水等自然灾害至关重要。
引用
@article{arxiv.2410.14137,
title = {Hierarchical Conditional Multi-Task Learning for Streamflow Modeling},
author = {Shaoming Xu and Arvind Renganathan and Ankush Khandelwal and Rahul Ghosh and Xiang Li and Licheng Liu and Kshitij Tayal and Peter Harrington and Xiaowei Jia and Zhenong Jin and Jonh Nieber and Vipin Kumar},
journal= {arXiv preprint arXiv:2410.14137},
year = {2024}
}