基于图卷积 GRU 网络的短期逐时流量预测
通过使用图转换网络 (FloodGTN) 来进行河流系统的洪水预测,该工具利用图神经网络 (GNNs) 和 LSTM 来学习不同监测站的水位的时空依赖关系,并考虑降雨、潮汐和水位设置等外部协变量,实验结果表明 FloodGTN 在提高准确性方面比物理模型 (HEC-RAS) 有着 70% 的改进,同时运行时间至少加快了 500 倍。
Oct, 2023
在这项研究中,我们将 CNN-LSTMs 的应用扩展到时间序列设置中,利用滞后的水流数据与降水和温度数据相结合,预测水流状况,并在内布拉斯加州的 32 个 HUC8 流域中的 21 个流域中取得了显著的预测性能改进,展示了 Kling-Gupta 效率值的显著增加,从而突出了 CNN-LSTMs 在时间序列设置中的效果,特别适用于准确且鲁棒的水流预测的时空水文建模。
Apr, 2024
该研究探讨了 Transformer 模型在美国爱荷华州 125 个不同位置的 120 小时溪流预测中的有效性。利用前 72 小时的数据,包括降雨量、蒸发蒸腾量和流量值,我们开发了一个通用模型来预测未来的溪流流量。我们的方法与通常依赖于特定位置模型的传统方法相反。我们将 Transformer 模型的性能与三个深度学习模型(LSTM、GRU 和 Seq2Seq)以及持久性方法进行了基准测试,利用 Nash-Sutcliffe 效率(NSE)、Kling-Gupta 效度(KGE)、Pearson 相关系数和归一化均方根误差(NRMSE)作为度量标准。研究结果显示 Transformer 模型的卓越性能,具有更高的中位数 NSE 和 KGE 分数,并展现出最低的 NRMSE 值。这表明它能够准确模拟和预测溪流流量,并能有效适应不同的水文条件和地理变化。我们的发现强调了 Transformer 模型在水文建模中作为先进工具的潜力,相比传统和现代方法具有显著改进。
Jun, 2024
为阿什兰德城开发了一种可靠的洪水预测模型,使用游击递归单元(GRU)网络处理与时间序列相关的水位数据,在统计指标(如 Nash-Sutcliffe 效率、均方根误差、百分偏差、平均绝对误差和确定系数)的评估下,该模型表现出高水平的准确性,对数据方差解释率为 98.2%。尽管存在预测值与观测值之间的轻微差异,但 GRU 模型证明在阿什兰德城的洪水预测中是一种有效的工具,可用于增强该城市的灾害应对和准备工作。
May, 2024
通过时空深度学习方法,提出了一个用于高速公路上每日交通流量预测的新方法,该方法通过数据归一化策略解决了网络全域收费站交通流量的数据不平衡问题,并基于图卷积网络构建了不同语义的网络来捕捉时空特征,同时利用气象和日历特征在全连接阶段提取交通流量的外部特征,经过大量实验证明该方法较基准模型在预测准确性方面有明显提升,并在商业领域带来实际效益。
Aug, 2023
本研究探索了一种基于机器学习的方法,利用流域区的物理特征和过去降雨量和温度变化的时空信息,通过稠密水流量预测模型,精确预测内陆水流量强度,为应对洪水的风险和损害提供决策依据。
Apr, 2023
气候变化对河流洪水产生了更频繁和更强烈的影响。本文通过运用 GNN 模型分析河流网络中的测量站点和邻接关系,发现模型无法很好地利用河流网络拓扑信息进行预测,并且在突发性洪水情况的预测上存在困难,这表明神经预测不总是能从图形结构中受益的潜在现象。这一发现可能会启发系统性研究在何种条件下会出现这种情况。
May, 2024
使用 Spatiotemporal Graph Convolutional Recurrent Neural Network 模型,结合 GCN 框架和 RNN 结构进行空气质量预测,相较于目前最先进的 ConvLSTM 模型具有更好的性能,并且参数数量更少;在实际空气污染数据集中优于混合 GCN 方法。
Apr, 2023
本文提出了一种基于图神经网络和持续学习的流式交通流预测框架 TrafficStream,通过交通模式融合方法和 CL 实现对具有扩展和发展模式的网络模型的高效学习,同时构建流式交通数据集进行验证,实验证明该模型在长期流场中高效提取交通模式的潜力。
Jun, 2021