Oct, 2023

图转换网络用于具有异构协变量的洪水预测

PDF
TL;DR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。
floodsclimate changeflood forecastingriver systemsfloodgtn
发现论文，激发创造
  • 河流网络拓扑在神经洪水预测中的价值

    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

  • TransGlow: 基于图神经网络的注意力增强传导模型用于水流预测

    该研究论文提出了一种基于图卷积循环神经网络和注意机制的时空预测模型 TransGlow，用于水量的水文预测与预测建模，通过对水系统的动态性和有限数据进行建模，实验结果表明该模型在水文应用领域取得了显著的优势。

    Dec, 2023

  • 基于图卷积 GRU 网络的短期逐时流量预测

    本研究提出了一种基于图卷积 GRUs 网络的模型，通过上游河网对传感器位置未来 36 小时内的水文流量进行预测。实验结果表明，该模型在短期内的水文流量预测方面比持续性基线和卷积双向 GRU 网络都表现更好，有望在未来的洪水预防和减灾中发挥重要作用。

    Jul, 2021

  • 基于深度神经网络的分散式洪水预测

    该研究旨在探讨人工深度神经网络在洪水预测中的性能，为预测水位、提供数据集，并表明神经网络在时间序列预测中非常有用，并支持通过数据同化来改进现有模型。

    Feb, 2019

  • 一种新型混合时变图神经网络用于交通流预测

    提出了一种用于交通流预测的混合时变图神经网络 (HtvgNN)。

    Jan, 2024

  • 可解释性全球野火预测模型基于图神经网络

    利用基于图神经网络（GNN）的混合模型，我们通过将全球气候和野火数据表示为图形，解决了传统模型中存在的空洞海洋数据位置和远程相关性的挑战，并且在未见过的 JULES-INFERNO 模拟数据集上展示出卓越的预测准确性。此外，通过社区检测和集成梯度分析，我们揭示了潜在的野火相关性聚类和特征重要性，强调了模型的可解释性。我们的研究不仅推动了野火预测方法领域的发展，还强调了模型透明度的重要性，并为野火管理的利益相关者提供了有价值的见解。

    Feb, 2024

  • 基于图神经网络的河流网络系统异常检测

    本文介绍了一种针对河流传感器数据的异常检测解决方案，使用图神经网络模型 GDN + 来捕捉传感器之间的复杂时空关系，并针对河流网络数据中的高维数据进行评估，发现 GDN + 比基准方法表现更优越和提供更好的可解释性。同时，本文还介绍了 gnnad 软件。

    Apr, 2023

  • 使用 LSTM-DeepLabv3 + 和贝叶斯优化进行时空特征融合以改善城市洪涝预测

    本研究提出了基于 CNN-RNN 混合特征融合建模的城市洪水预测方法。通过结合卷积神经网络在处理空间特征方面的优势和循环神经网络在分析不同时间序列维度方面的优势，实现了静态和动态洪水预测。通过贝叶斯优化，最佳的混合模型被确定为 LSTM-DeepLabv3+，在各种雨量输入条件下都取得了最高的预测精度。该模型的推理时间大大提高，相对于基于物理的模型的传统计算时间约为 1 / 125。

    Apr, 2023

  • 快速洪涝淹没预测采用傅里叶神经算子

    我们提出了一种基于混合过程和数据驱动的机器学习方法，用于洪水范围和淹没深度的预测，该方法使用傅里叶神经运算器进行代理建模，并在休斯敦的城区进行了演示测试。结果表明，傅里叶神经运算器模型优于基准的 U-Net 模型，并具有较强的泛化能力。

    Jul, 2023

  • HiSTGNN：用于天气预报的分层时空图神经网络

    本文提出了一种层次化的时空图神经网络模型 (HiSTGNN)，用于模拟多个站点中气象变量之间的跨区域时空相关性，在三个真实气象数据集上表现出明显优异性能，特别是与最先进的天气预报方法相比，其误差降低了 4.2% 到 11.6%。

    Jan, 2022