.png){kind=icon}
返回
HydroTGNN: Filling missing streamflow data with graph neural network
.png){kind=icon}
PRE
AI
DOI：10.1016/j.envsoft.2026.106937.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
• 河流被表示为连接上游和下游观测站的定向图。
• 开发了一种时空图神经网络（HydroTGNN）用于径流插补。
• 所提出的模型持续优于基线模型，达到更高的精度。
• 图结构对插补性能具有显著影响。
• 该模型通过建模流向、季节性和观测站拓扑结构，表现出鲁棒性。
Keyword:
Streamflow imputation
Graph neural network
Spatiotemporal modeling
Gauge topology
Flow direction
期刊
E
IF:
4.6
论文数:
290
被引数:
0
机构
引用论文
Coupling a hybrid CNN-LSTM deep learning model with a Boundary Corrected Maximal Overlap Discrete Wavelet Transform for multiscale Lake water level forecasting将cnn-lstm混合深度学习模型与边界校正的最大重叠离散小波变换耦合用于多尺度湖泊水位预测.png)
JOURNAL OF HYDROLOGY
JOURNAL OF HYDROLOGYIF6.3
PREAI
分享收藏
A novel reinforced dynamic graph convolutional network model with data imputation for network-wide traffic flow prediction一种具有数据插补的新型增强型动态图卷积网络模型，用于网络范围内的交通流预测
PREAI
分享收藏
查看更多内容