XFMNet：通过逐步多模态融合解码跨站点与非平稳水模式以实现长期水质预测
机器学习
2025-08-13 v1 人工智能
摘要
长期时间序列预测对环境监测至关重要，然而由于复杂的周期性、非平稳性以及由生态因素引起的突变波动，水质预测仍然具有挑战性。这些挑战在多站点场景下进一步放大，因为该场景需要同时建模时间和空间动态。为解决此问题，我们引入了 XFMNet，一个逐步多模态融合网络，该网络融合遥感降水图像以提供河流网络中的空间和环境背景。XFMNet 首先通过自适应下采样对齐水质序列与遥感输入之间的时间分辨率，然后进行局部自适应分解以分离趋势和周期分量。一个交叉注意力门控融合模块动态地将时间模式与空间和生态线索相结合，增强了对非平稳性和站点特定异常的鲁棒性。通过渐进式和递归式融合，XFMNet 同时捕获长期趋势和短期波动。在真实世界数据集上的大量实验表明，与最先进的基线方法相比，XFMNet 取得了显著改进，突显了其在空间分布时间序列预测中的有效性。
引用
@article{arxiv.2508.08279,
title = {XFMNet: Decoding Cross-Site and Nonstationary Water Patterns via Stepwise Multimodal Fusion for Long-Term Water Quality Forecasting},
author = {Ziqi Wang and Hailiang Zhao and Cheng Bao and Wenzhuo Qian and Yuhao Yang and Xueqiang Sun and Shuiguang Deng},
journal= {arXiv preprint arXiv:2508.08279},
year = {2025}
}