SMGformer:将STL和多头自我注意力集成到深度学习模型中,用于多步排水预测

科学领域:

• 水文和水资源工程 水文和水资源工程
• 环境科学中的人工智能
• 时间序列预测时间序列预测

背景情况:

• 准确的排水预测对于水资源分配,洪水控制和减少灾害至关重要.
• 流失序列表现出固有的随机性,对传统预测模型构成重大挑战.
• 排水数据的非线性和非静态特征使预测准确性复杂化.

研究的目的:

• 提出一种新的SMGformer流失预测模型,集成先进的深度学习技术.
• 为了应对随机性和流失序列的复杂性所带来的挑战.
• 提高每月排水预测的准确性和延长有效预测期.

主要方法:

• 季节和趋势分解使用Loess (STL) 进行数据预处理.
• 在Informer的编码器层捕获关键输入特征.
• 双向门式循环单元 (BiGRU) 用于时间信息学习.
• 多头自我注意力 (MHSA) 机制以强调重要的特征.
• 将这些组件集成到SMGformer架构中.

主要成果:

• 与Informer模型相比,SMGformer模型表现出优越的性能.
• 在第一步中,平均绝对误差 (MAE) 显著减少了42.2%和36.6%.
• 在第一步,根平均平方误差 (RMSE) 显著降低37.9%和43.6%.
• 纳什-萨特克利夫效率 (NSE) 显著改善,从0.936增加到0.975和0.487增加到0.837.
• 高克林格普塔效率 (KGE) 值 (≥0.8) 在第三步保持.

结论:

• 该SMGformer模型有效地捕获了每个月的流失序列中的基本信息.
• 拟议的模型在排水预测准确性和可靠性方面取得了显著的进步.
• SMGformer扩展了水文预测的有效预测地平线,有助于水资源管理和灾害准备.