Hydra-LSTM：一种用于跨流域预测的半共享机器学习架构
机器学习
2024-10-23 v1
摘要
长短期记忆网络（LSTM）被用于构建预测多个流域河流流量的单一模型。如果使用相同的数据，这些模型比独立针对每个流域训练的模型具有更高的准确性。然而，并非所有流域都能获得相同的数据。这阻碍了仅在部分流域可用的变量（如历史河流流量或上游流量）的使用。唯一允许可选变量的现有方法要求在初始训练时考虑所有变量，这限制了其向新流域的迁移能力。为解决这一局限，我们开发了 Hydra-LSTM。Hydra-LSTM 分别处理所有流域共用的变量和仅部分流域使用的变量，从而能够在各流域进行通用训练并使用特定流域的数据。模型的主体可在各流域间共享，既保持了多流域模型泛化能力的优势，又受益于使用定制数据的优点。我们将此方法应用于美国西部的前一天河流流量预测，因为次日河流流量预测是向更长时间尺度预测迈进的第一步。我们取得了最先进的性能，生成的均值和分位数预测比多流域和单流域 LSTM 更准确，同时允许本地预报员轻松地在其预测集中添加或移除变量。我们通过引入历史河流流量作为流域特定输入来测试 Hydra-LSTM 整合流域特定数据的能力，结果表明无需训练全新模型即可超越现有最优性能。
关键词
引用
@article{arxiv.2410.16343,
title = {Hydra-LSTM: A semi-shared Machine Learning architecture for prediction across Watersheds},
author = {Karan Ruparell and Robert J. Marks and Andy Wood and Kieran M. R. Hunt and Hannah L. Cloke and Christel Prudhomme and Florian Pappenberger and Matthew Chantry},
journal= {arXiv preprint arXiv:2410.16343},
year = {2024}
}