Encoder de transformador de fusión de canal adaptativo de resolución múltiple LSTM para una predicción precisa del...

Área de la Ciencia:

• Hidrología Hidrología Hidrología.
• Gestión de los recursos hídricos Gestión de los recursos hídricos
• Aprendizaje profundo Aprendizaje profundo.

Sus antecedentes:

• La predicción precisa del flujo de la corriente es crucial para la gestión del agua y el control de inundaciones.
• Los modelos convencionales de aprendizaje profundo luchan con series temporales univariadas, fallando en capturar las dependencias a corto y largo plazo.
• El pronóstico hidrológico a menudo se basa en datos de series temporales univariadas.

Objetivo del estudio:

• Para introducir una nueva arquitectura híbrida de aprendizaje profundo, el codificador de transformador de fusión de canal adaptativo de resolución múltiple LSTM (MR-ACF-TE-LSTM).
• Mejorar la precisión predictiva y la interpretabilidad en el pronóstico de flujo de corriente univariado mediante el modelado de patrones temporales en múltiples escalas.
• Abordar las limitaciones de los modelos existentes para capturar dinámicas temporales complejas en datos hidrológicos.

Principales métodos:

• Desarrolló la arquitectura híbrida MR-ACF-TE-LSTM integrando el codificador de transformadores y los componentes LSTM.
• Entradas pseudo-multivariadas construidas utilizando observaciones rezagadas, resúmenes estadísticos e indicadores estacionales.
• Empleó un mecanismo adaptativo basado en la atención para la fusión dinámica de entradas de resolución múltiple antes de la codificación del transformador y la predicción LSTM.

Principales resultados:

• MR-ACF-TE-LSTM consistentemente superó el rendimiento de los modelos de referencia (Transformer, Transformer-LSTM, Bayesian CNN) en tres conjuntos de datos de flujo de flujo de referencia.
• Se lograron reducciones significativas en el error cuadrado medio de la raíz (RMSE), que oscila entre el 28% y el 48%, y puntuaciones R2 más altas.
• Robustez y generalización demostradas en captaciones heterogéneas a través de evaluaciones cruzadas de conjuntos de datos.

Conclusiones:

• El modelo MR-ACF-TE-LSTM proporciona un marco potente e interpretable para el pronóstico hidrológico univariado.
• Las entradas de resolución múltiple y los mecanismos de fusión adaptativa mejoran críticamente el rendimiento predictivo.
• La capacidad del modelo para enfocarse selectivamente en entradas temporales, visualizadas a través de pesos de atención, confirma su efectividad.