根据不同的场景,根据基于转换的深度学习模型预测每日流量

科学领域:

• 水文学的水文学
• 数据科学数据科学数据科学
• 机器学习 机器学习

背景情况:

• 准确的排水预测对于水资源管理和洪水控制至关重要.
• 像LSTM这样的深度学习模型有先进的流失预测,但像Transformer和Informer这样的新模型显示了改进的潜力.
• 在各种场景中使用先进的深度学习模型进行多步径流预测的研究有限.

研究的目的:

• 引入和评估一种新的相对位置编码增强的Informer模型 (Rel-Informer) 用于降雨流水预测.
• 在各种建模场景中比较Rel-Informer与标准Informer,变压器和LSTM模型的性能.
• 评估模型在个人,区域和大规模 (未增加的采集区) 流水预测中的有效性.

主要方法:

• 利用公开可用的CAMELS数据集进行模型培训和验证.
• 实施了四个实验设计:个人,区域,微调区域和大规模模拟未成熟的水域.
• 使用降雨和下水数据比较了Rel-Informer,标准Informer,变压器和LSTM模型的性能.

主要成果:

• Rel-Informer的表现始终优于其他模型,特别是在短期 (1-3天) 排水预测中.
• 微调显著提高了区域降雨-流水模型的精度.
• 大规模的区域Rel-Informer模型证明了对未经成熟的水域进行有效的排水预测.
• 发现像融雪和基流指数这样的水文特征会影响预测的准确性.

结论:

• 带有增强相对位置编码的Rel-Informer模型是流出预测的一个非常有前途的工具.
• 该模型在数据丰富的采集区和短期预测任务中表现出特别强大的优势.
• Rel-Informer在大规模区域建模方面的能力为预测未经化盆地下水流量提供了可行的解决方案.