TransGlow：基于图神经网络、注意力增强的转导模型用于水流预测
机器学习
2023-12-12 v1
摘要
水文水量预测对水资源管理、洪水预报和防洪等多种应用具有实用价值。然而，由于水系统的动态特性和数据有限，该任务具有挑战性。高度互联的水系统会显著影响水文预测。因此，开发能够表示系统其他组件之间关系的模型至关重要。近年来，已研究了众多水文应用，包括径流预测、洪水预报和水质预测。现有方法无法对变量对之间的相邻区域影响进行建模。本文提出一种时空预测模型，该模型利用注意力机制的高效版本增强图卷积循环神经网络（GCRN）编码器-解码器中的隐藏状态。注意力层允许解码器选择性地访问输入序列的不同部分。由于水系统相互连接且站点之间的连接信息是隐式的，所提模型利用图学习模块根据数据自适应地提取稀疏图邻接矩阵。时空预测依赖于历史数据。然而，在某些地区，历史数据可能有限或不完整，使得准确预测未来水况变得困难。此外，我们提出了一个来自加拿大河流、溪流和湖泊站点网络的水流新基准数据集。实验结果表明，我们提出的模型TransGlow显著优于基线方法，且优势明显。
引用
@article{arxiv.2312.05961,
title = {TransGlow: Attention-augmented Transduction model based on Graph Neural Networks for Water Flow Forecasting},
author = {Naghmeh Shafiee Roudbari and Charalambos Poullis and Zachary Patterson and Ursula Eicker},
journal= {arXiv preprint arXiv:2312.05961},
year = {2023}
}