用于流量预测的时空因果学习

流量在可持续规划和管理国家水资源方面发挥着关键作用。传统的水文建模方法通过建立多个物理过程（如降雨和径流）之间的联系来模拟流量。这些数据在空间和时间上天然相互关联，蕴含可被利用以实现稳健和准确预测的内在因果关系。最近，时空图神经网络（STGNN）被采纳，在城市交通管理、天气预测和疫情控制等多个领域表现卓越，亦为流量管理带来了前景。然而，直接从广泛观测数据中学习因果关系在理论和计算上都具有挑战性。本研究采用河流流量图作为先验知识，以促进因果结构的学习，然后利用所学因果图对特定站点的流量进行预测。提出的模型称为因果流量预测（Causal Streamflow Forecasting, CSF），其在德克萨斯州巴托斯河流域的实际案例中进行了测试。我们的结果表明，该方法优于常规时空图神经网络，同时在传统仿真方法计算效率方面也表现更佳。通过有效地将河流流量图与 STGNN 集成，本研究提供了一种新的流量预测方法，展示了将先进神经网络技术与领域特定知识结合以提升水文建模性能的潜力。