基于深度学习的水电站管理流量分解
本文采用一种称为数据集成的灵活方法，在长短时记忆流量模型基础上，通过利用最近的排放测量来改善洪水预测。在不同地区的测试中，该方法提高了洪水预测的性能，但在高干旱盆地的一日性的阶段性高峰中该方法并无效。
Dec, 2019
本研究考虑交通流时间序列的时间模式，并实现了一个深度学习模型用于交通流预测。该模型名为 DeepTrend，通过分解原始交通流序列并从中提取时间趋势，利用两个叠加层的全连接层和 LSTM 层，以及预训练和微调，有效地提高了预测性能。
Jul, 2017
预测未监测站点中的动态环境变量是水资源科学领域长期存在的挑战，使用机器学习方法对水文时间序列进行预测能够从大量多样的数据集中提取信息，并提出了几个开放问题，包括如何将动态输入和站点特征、机制性理解和空间背景以及可解释的人工智能技术融入现代机器学习框架中。
Aug, 2023
本文研究使用 DNN 优化水动力洪水模型，通过在 2D HEC-RAS 水动力模型中模拟洪水事件并使用 DNN 预测洪水深度和速度，结果显示 DNN 能够极大地优化水动力洪水模型，实现接近实时的洪水预报，且可以显著提高预报计算时间。同时，该研究还发现了影响方程选择和 DNN 架构配置的数值稳定性问题。
May, 2023
本文探讨了在智能电网等关键基础设施中实现高效运营所需的精确电力负荷预测的问题，提出了基于深度学习模型应用于电力负荷预测问题的最新趋势，并通过实验评估了前馈神经网络、循环神经网络、序列到序列模型和时空卷积神经网络等多种深度学习模型在短期负荷预测方面的性能表现。
Jul, 2019
本文提出一种基于 LSTM 的深度学习结构，结合前沿的水文模型 SWAT，通过建模天气驱动和产流之间的中间交互过程，实现对径流预测的精确预测，同时减少了传统数据驱动方法所需的大量数据。
Dec, 2020
通过提出一种基于 Transformer 的扩散模型（TDDPM）来解决时间序列生成模型在处理移动性数据时的限制和挑战，并在新的综合基准测试中显示了显著的改进和扩展性。
Jun, 2024