具有时空因果注意力机制的可解释水位预报器
机器学习
2025-10-21 v8 统计方法学
摘要
河流水位的准确预报对于有效管理交通流量和降低自然灾害相关风险至关重要。由于影响河流流动的复杂因素，该任务面临挑战。机器学习的最新进展引入了众多有效的预报方法。然而，这些方法因其复杂结构而缺乏可解释性，导致可靠性有限。针对此问题，本研究提出一种量化可解释性的深度学习模型，重点关注水位预报。该模型侧重于生成与输入数据中蕴含的常识相一致的定量可解释性度量。这是通过利用专门设计带掩码的 transformer 架构、结合捕获时空因果关系的多层网络来实现的。我们在来自韩国首尔 2016 至 2021 年的汉江数据集上进行对比分析。结果表明，我们的方法提供了与常识一致、优于对比方法的可增强可解释性，并提升了对分布偏移的鲁棒性。
引用
@article{arxiv.2303.00515,
title = {Interpretable Water Level Forecaster with Spatiotemporal Causal Attention Mechanisms},
author = {Sungchul Hong and Yunjin Choi and Jong-June Jeon},
journal= {arXiv preprint arXiv:2303.00515},
year = {2025}
}
备注
Accepted by International Journal of Forecasting (2024)