Modelos de aprendizaje profundo basados en atención para la predicción de series temporales multivariadas de los...

Área de la Ciencia:

• Hidrología y Recursos Hídricos; Inteligencia Artificial; Aprendizaje Profundo

Sus antecedentes:

• La predicción precisa de los niveles de agua en embalses es vital para la gestión eficiente de los recursos hídricos, el control de inundaciones y la planificación del riego.; El embalse de Nesa, en el sureste de Irán, requiere predicciones fiables de la elevación diaria del agua.; Los métodos de predicción tradicionales a menudo luchan con la dinámica compleja de los sistemas hidrológicos.

Objetivo del estudio:

• Investigar y comparar la efectividad de los modelos de aprendizaje profundo para la predicción diaria de niveles de agua en el embalse de Nesa.; Evaluar el rendimiento de los modelos CNN + BiLSTM + Atención, LSTM codificador-decodificador con atención y ConvLSTM2D.; Identificar la arquitectura de aprendizaje profundo más adecuada para la predicción de series temporales hidrológicas en esta región.

Principales métodos:

• Se utilizó un conjunto de datos de 15 años de variables hidrometeorológicas diarias (lluvia, temperatura, evaporación, afluencia, afluencia).; Se empleó un enfoque de ventana deslizante para entrenar (80%) y probar (20%) los modelos de aprendizaje profundo.; Se evaluó el rendimiento del modelo utilizando métricas estándar: Error Cuadrático Medio (RMSE), Error Absoluto Medio (MAE) y coeficiente de determinación (R²).

Principales resultados:

• El modelo LSTM codificador-decodificador con atención demostró el mejor rendimiento, logrando los errores de predicción más bajos y la mayor generalización.; El modelo CNN + BiLSTM + Atención proporcionó una precisión moderada.; El modelo ConvLSTM2D exhibió salidas ruidosas y una capacidad predictiva limitada.

Conclusiones:

• Las arquitecturas de aprendizaje profundo basadas en atención son muy efectivas para modelar dependencias temporales en series temporales hidrológicas.; El modelo LSTM codificador-decodificador con atención es una herramienta prometedora para la predicción precisa de los niveles de agua en embalses.; El estudio proporciona información práctica para el desarrollo de sistemas de predicción inteligentes para la gestión de recursos hídricos.