HydroFusion-LMF：用于长期日 runoff 预测的半监督多网络融合与大模型适应
机器学习
2025-10-07 v1 人工智能
分布式、并行与集群计算
神经与进化计算
地球物理
摘要
在小流域进行十年尺度的日常 runoff 预测困难重重，因为信号融合了漂移趋势、多尺度季节性循环、制度转换和稀疏极端值。先前的深度模型（DLinear、TimesNet、PatchTST、TiDE、Nonstationary Transformer、LSTNet、LSTM）通常针对单个层面进行建模，未充分利用未标记的时段，限制了制度适应性。我们提出了HydroFusion-LMF，一个统一框架，该框架（i）执行可学习的趋势-季节性-残差分解以减少非平稳性，（ii）将残差通过紧凑的异构专家集合（线性细化、频率核、patch Transformer、递归记忆、动态归一化注意力），（iii）根据日历年份相位、先前降水、局部方差、洪涝指标和静态流域属性，对专家输出进行水文上下文感知门控融合，（iv）通过（复合MSE/MAE + 极端值关注 + NSE/KGE、掩码重建、多尺度对比对齐、增强一致性、方差过滤伪标签）增强监督。可选的适配器/LoRA层高效地注入冻结的基础时序编码器。在约10年的日数据集上，HydroFusion-LMF 达到 MSE 1.0128 / MAE 0.5818，分别比最强基线（DLinear）提高10.2%/10.3%，比平均基线提高24.6%/17.1%。我们观察到相对于基线同时发生MSE和MAE的降低。该框架在解释性（显式组件、稀疏门控）和性能之间取得平衡，推进了在非平稳性条件下的标签高效水文预测。
引用
@article{arxiv.2510.03744,
title = {HydroFusion-LMF: Semi-Supervised Multi-Network Fusion with Large-Model Adaptation for Long-Term Daily Runoff Forecasting},
author = {Qianfei Fan and Jiayu Wei and Peijun Zhu and Wensheng Ye and Meie Fang},
journal= {arXiv preprint arXiv:2510.03744},
year = {2025}
}
备注
V1