面向 120 小时径流量预测的 Transformer 模型在水文预报中的泛化应用
机器学习
2024-06-12 v1
摘要
本研究探讨了 Transformer 模型用于预测美国 Iowa 州 125 个不同地点的 120 小时径流量的效能。该模型利用前 72 小时的数据，包括降水、蒸散和径流量值，开发了一个泛化模型来预测未来径流量。我们的做法与传统方法不同，后者通常依赖于特定于地点的模型。我们将 Transformer 模型的性能与三种深度学习模型（LSTM、GRU 和 Seq2Seq）以及持久化方法进行基准测试，采用纳什-萨特克尔效率（NSE）、Kling-Gupta 效率（KGE）、皮尔逊相关系数（Pearson's r）和归一化均方根误差（NRMSE）作为指标。研究结果表明，Transformer 模型表现出优越性能，保持更高的中位数 NSE 和 KGE 分数，呈现最低的 NRMSE 值。这表明其能够准确模拟和预测径流量，有效适应不同的水文条件和地理差异。我们的发现凸显了 Transformer 模型作为高级水文建模工具的潜力，显著优于传统和当代方法。
引用
@article{arxiv.2406.07484,
title = {Towards Generalized Hydrological Forecasting using Transformer Models for 120-Hour Streamflow Prediction},
author = {Bekir Z. Demiray and Ibrahim Demir},
journal= {arXiv preprint arXiv:2406.07484},
year = {2024}
}
备注
20 pages, 5 figures