.png){kind=icon}
返回
A Flood Prediction Method Using Improved Diffusion and Transformer Models
.png){kind=icon}
OA
AI
DOI：10.3390/w18141691.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
洪水预报对于预测洪水并促进及时疏散至关重要。机器学习和深度学习算法，如人工神经网络（ANN）、循环神经网络（RNN）和Transformer模型，在时间序列预测任务中已显示出显著成功。最近，扩散模型（通过向训练数据添加噪声并随后反转过程以恢复数据）在数据生成领域日益流行。然而，在洪水预测中，水库水文数据的有限可用性常常阻碍深度学习模型的训练。本研究提出了一种新颖方法，通过结合扩散模型和Transformer模型来解决数据不足的问题。扩散模型用于数据增强，而Transformer模型用于洪水流量预测。对于多变量输入数据集，我们引入了卷积块注意力模块（CBAM）到Transformer中，它能自适应地学习不同输入变量的重要性权重。此外，考虑到现实世界时间序列的丰富组合——如时间趋势、周期性和局部特性——这些特性在扩散过程中因噪声的逐步添加而常被破坏，我们为扩散模型加入了时间趋势模块。这一改进使扩散模型在生成过程中能更好地提取原始数据的时序特征，产生保留更多原始信息的新数据，从而提高数据增强的有效性。通过结合改进的扩散和Transformer模型，利用增强扩散模型的强大生成能力和增强Transformer模型的更好预测能力，预测性能得到显著提升。实验结果表明，在大多数情况下，我们提出的模型相比ANN、LSTM、Transformer模型及其他洪水预测方法具有更好的预测性能。
Keyword:
flood forecasting
time series data
Transformer model
diffusion model
期刊
W
IF:
3
论文数:
3.2W
被引数:
7.4W
机构
引用论文
Improved Transformer Model for Enhanced Monthly Streamflow Predictions of the Yangtze River.png)
IEEE ACCESSOAAI
IEEE ACCESSIF3.6
OAAI分享收藏Imputation-based Time-Series Anomaly Detection with Conditional Weight-Incremental Diffusion Models
PREAI
分享收藏
Spatio-Temporal Graph Neural Networks for Streamflow Prediction in the Upper Colorado Basin用于上科罗拉多盆地水流预测的时空图神经网络hydrologyOAAI
hydrologyIF3.2
OAAI分享收藏Research on particle swarm optimization in LSTM neural networks for rainfall-runoff simulationJOURNAL OF HYDROLOGY
JOURNAL OF HYDROLOGYIF6.3
PREAI
分享收藏Spatio-temporal graph neural networks for the forecast of natural water systemsSzatmári, K.; Németh, S.; Abonyi, J.; Kummer, A. 空间-时间图神经网络用于自然水系统的预测。J. Hydroinformatics 2026, 28, 415–428. [Google Scholar] [CrossRef]
PREAI
分享收藏An Observed Value Consistent Diffusion Model for Imputing Missing Values in Multivariate Time Series
PREAI
分享收藏
查看更多内容