Apr, 2024

使用 CNN-LSTM 简洁建模进行水流预测

PDF
TL;DR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。
发现论文，激发创造
  • 荷兰的短期降水预测：基于卷积 LSTM 神经网络的天气雷达数据应用

    此研究利用 ConvLSTM 神经网络将天气雷达数据应用于短期降水预测，通过卷积神经网络层进行空间模式识别和 LSTM 网络层进行时间序列建模，构建了一个包含九层的自动编码器模型。结果表明，ConvLSTM 网络在气象预测中有着高准确性，尤其在天气复杂的地区具有显著潜力，为气象任务提供了一种更准确、数据驱动的方法。

    Dec, 2023

  • 实时桥梁冲刷预测中长短期记忆与卷积神经网络的应用

    利用深度学习算法基于历史传感器监测数据，包括河床高程、流量高程和流速，对桥墩周围的冲刷深度变化进行预测，研究了不同模型在实时冲刷预测中的性能，并探索了超参数调优和模型优化的创新随机搜索启发式算法。此研究揭示了深度学习在桥梁实时冲刷预测和预警中的潜力。

    Apr, 2024

  • 神经水文 -- 解释 LSTM 在水文学中的应用

    研究使用 LSTM 网络进行降雨径流预测及分析，以此探究它在水文学领域中的应用及其内部学习机制。

    Mar, 2019

  • 基于时空相关性的混合深度学习框架的短期交通流量预测

    本文提出了一种新颖的基于 CNN 和 LSTM 结合的深度学习体系结构来预测未来的交通流量，通过开放数据集进行实验，结果表明该方法具有显著的优势，并从 Granger 因果性的角度对其进行了分析探讨。

    Dec, 2016

  • 利用深度神经网络建模长短期时间模式

    本文提出了一个新的深度学习框架 —— Long- and Short-term Time-series network (LSTNet)， 用于解决多元时间序列预测等问题，并在复杂混合循环模式数据上实现了显著的性能提升。

    Mar, 2017

  • 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

  • 利用循环神经网络在陆面模型中实现河水路由

    借助机器学习和递归神经网络 (RNNs) 的方法，通过物理模型替代或补充，本研究针对水文学中全球河流预测的问题进行了研究，并发现 RNNs 在流域和时间的泛化能力上的高性能，为全球流域数量预测提供了新方法和证据。

    Apr, 2024

  • 卷积 LSTM 网络：一种用于降水预报的机器学习方法

    本文将降水短时预报问题作为时空序列预测问题，并使用卷积 LSTM (ConvLSTM) 构建可端到端训练的模型，数据实验表明，相比全连接的 LSTM 和 ROVER 算法，ConvLSTM 能够更好地捕捉时空相关性，并在降水短时预报中具有更好的预测性能。

    Jun, 2015

  • 时序融合 Transformer 用于流量预测：结合注意力与循环的价值

    本文研究了结合循环和注意力的方法是否能够提高水文预测的精度并将 Temporal Fusion Transformer (TFT) 模型应用于水文学领域。在 2600 个以上的全球分布的集水区的实验表明，TFT 模型的表现超过了 LSTM 和 Transformers 模型，并可帮助获得流域产流过程的更多见解。

    May, 2023

  • 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