基于商业微波链路的城市雨强估计：TabGRU 架构
机器学习
2025-12-03 v1 人工智能
摘要
面对全球化快速城市化和极端天气事件日益频发的挑战，高分辨率城市雨量监测对于构建韧性智慧城市至关重要。商业微波链路（CML）作为一种新兴数据源，具有巨大的潜力。虽然传统的 CML 雨量反演依赖物理模型，但这些模型常在现实复杂性（如信号噪声和非线性衰减）下难以实现理想效果。为此，本文提出一种基于 Transformer 和双向门控循环单元（BiGRU）的混合深度学习架构，命名为 TabGRU。该设计协同捕获 CML 信号数据中的长期依赖性和局部序列特征。该模型通过可学习位置嵌入和注意力池化机制进一步增强，其动态特征提取和泛化能力。该模型在来自瑞典哥德堡（2015 年 6 月至 9 月）的公开基准数据集上进行了验证。评估使用 12 条次链路来自两座雨量计（Torp 和 Barl）的测试数据集（8 月 22 日至 31 日），覆盖约 10 个不同的雨灾。结果表明，所提出的 TabGRU 模型在所有深度学习基线中均表现出一致优势，在 Torp 站点（R2=0.91）和 Barl 站点（R2=0.96）均实现高系数。此外，与物理模型方法相比，TabGRU 在保持更高精度的同时，尤其有效地缓解了 PL 模型在峰值雨灾中显著高估的严重问题。该评估确认，TabGRU 模型能够克服传统方法的局限，为 CML 基于城市雨量监测提供稳健且准确的解决方案。
引用
@article{arxiv.2512.02465,
title = {TabGRU: An Enhanced Design for Urban Rainfall Intensity Estimation Using Commercial Microwave Links},
author = {Xingwang Li and Mengyun Chen and Jiamou Liu and Sijie Wang and Shuanggen Jin and Jafet C. M. Andersson and Jonas Olsson and Remco and van de Beek and Hai Victor Habi and Congzheng Han},
journal= {arXiv preprint arXiv:2512.02465},
year = {2025}
}