Dec, 2023

极端适应模型之极坐标表示学习的长期时间序列预测

PDF
TL;DR本文提出了距离加权自正则化神经网络（DAN）模型，用于改进极端天气事件的长期水文流量预测。在四个真实水文流量数据集上验证，DAN 模型在超过其他水文时间序列预测方法和长期时间序列预测方法方面表现出显著的优越性。
time series forecastinghydrologystreamflowextreme eventslong-range dependencies
发现论文，激发创造
  • 一种基于概率增强 LSTM 神经网络的极端自适应时间序列预测模型

    本篇论文提出一种名为 NEC + 的概率增强神经网络模型，该模型可以同时学习极端和正常预测函数，并通过选择性反向传播的方式在它们之间进行选择，从而解决时间序列预测中的极端事件和数据不平衡的问题，并在加利福尼亚的 9 个水库的困难的 3 天前每小时水位预测任务中展现出优异的表现和概括能力。

    Nov, 2022

  • 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

  • 利用机器学习应用于大样本数据集实现学习普适、区域和局部水文行为

    使用气象时间序列数据和静态流域属性，我们提出了一种基于数据驱动的方法，在使用 LSTMs 单个模型对 531 个流域进行训练的情况下，显著提高了性能，比符合地区性条件的水文模型和针对单个流域进行校准的水文模型的表现更好，同时还提出了 Entity-Aware-LSTM 的改进网络架构使学习、嵌入和特征层深度学习可以在其上实现，同时提出的这个背景与之前的水文理解相符。

    Jul, 2019

  • 基于地理气象数据的深度神经网络长期干旱预测

    我们提出了一种基于各种时空神经网络的端到端解决方案来预测特定地区干旱概率，特别是用于长期决策，同时利用气候模型的内在因素和见解来增强干旱预测，通过比较评估结果表明，卷积 LSTM 和 Transformer 模型在预测干旱强度方面优于基线模型，ROC AUC 分数从 0.90 到 0.70，推荐根据预测时间跨度选择合适的模型进行长期干旱预测。

    Sep, 2023

  • 利用具有数据整合的长短期记忆网络增强洪水流量预测和提取见解的能力

    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

  • 高分辨率全球降水预测的生成建模

    本研究使用生成对抗网络（GAN）优化了一种最先进的深度学习降水模型（FourCastNet），从而能更有效地捕捉极端百分位的全球降雨量，预测准确率优于其他数值天气模型。

    Oct, 2022

  • 基于领域对抗性神经网络的机器学习蒸散发模型的可外推性改进

    本研究通过使用领域对抗神经网络（DANN）集成到蒸发蒸腾（ET）模型中，以提高机器学习的水文预测模型的地理适应能力，并通过减少数据分布的差异和避免低准确性预测，显著增强了模型的外推能力。

    Jun, 2024

  • 利用深度学习增强数值天气预报进行全球降水短期预测

    通过将深度学习和数值天气预报（NWP）相结合，我们提出了一种改进短期全球降水预报的混合模型，并证实其可显著提高预报技能和减小均值偏差。

    Jun, 2022

  • 水资源管理的带不确定性量化的径流预测：一种约束推理与学习方法

    预测流域水量的时空变化及不确定性量化有助于可持续管理宝贵的水资源，本文研究了约束推理和学习方法，在深度神经网络中将物理定律作为逻辑约束层进行集成，并结合高斯过程和深度时间模型进行不确定性量化。实验证明，这些方法在多个真实数据集上比基线方法具有更好的效果。

    May, 2024

  • 时间序列数据中极端事件预测的广义混合模型

    这篇研究论文提出了一种基于深度学习和极值理论的预测框架，通过混合分布模型和自动编码器生成器提取时间序列数据的特征，并预测极端事件的分布模型，证明了该方法在多个实际降雨数据集上的有效性。

    Oct, 2023