.png){kind=icon}
返回
Improving medium-long-term streamflow forecasts by exploiting multi-scale Temporal patterns with deep learning
.png){kind=icon}
PRE
AI
DOI：10.1007/s11069-025-07734-x.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
准确的中长期径流预报对于长江流域的洪水缓解和水资源管理至关重要。单一深度学习方法仍面临非平稳性、复杂长程依赖关系和极端事件稀疏性的挑战。我们提出了一种集成经验模态分解（EMD）以分解日流量、时序卷积网络（TCN）以提取多尺度特征以及门控循环单元（GRU）以生成多步预测的框架，最终通过线性重组获得输出，即EMD-TCN-GRU。当预测时长设定为3天时，基于2013—2022年武汉观测数据训练的模型记录了R²为0.9951和MAPE为2.87%的结果。扩展至7天时，R²为0.9925，MAPE为3.22%。在15天时，R²仍保持在0.9922，而MAPE为3.25%。与标准GRU相比，MAE分别降低了63%、51%和58%，且随时间的性能衰减可忽略不计。系统的消融研究证实，分解-卷积-门控流水线是观测到精度提升的主要因素。移除EMD会导致残余噪声放大，而移除TCN则会切断长程信息通路。此外，将多步GRU预测替换为单步GRU预测会引发快速误差累积。该框架为长江及类似复杂网络提供了实时洪水预警和中期水资源分配的稳健且可迁移的解决方案。
Keyword:
Flow prediction
Flood disaster
EMD
TCN
GRU
Yangtze river
期刊
IF:
3.7
论文数:
9.6K
被引数:
2.8W
机构
引用论文
Autoformer: Decomposition Transformers with Auto-Correlation for Long-Term Series Forecasting.png)
OAAI
IF0
OAAI分享收藏A hybrid algorithm of TCN-iTransformer for aircraft aerodynamic parameter estimation based on dual attention mechanism基于双注意力机制的TCN-iTransformer混合算法用于飞机气动力参数e-stimation
PREAI
分享收藏A TCN-Transformer Parallel model for reconstruction of a global, daily, spatially seamless FY-3B soil moisture dataset一个用于重建全球、逐日、空间无缝FY-3B土壤湿度数据集的TCN-Transformer并行模型
PREAI
分享收藏分享收藏A New Data-Driven Model to Predict Monthly Runoff at Watershed Scale: Insights from Deep Learning Method Applied in Data-Driven Model一种新的数据驱动模型来预测流域尺度的月径流: 数据驱动模型中应用的深度学习方法的见解
PREAI
分享收藏Toward Improved Predictions in Ungauged Basins: Exploiting the Power of Machine Learning在未测量的盆地中改进预测: 利用机器学习的力量
OAAI
OAAI分享收藏Improved leak localization in water distribution systems using SGTCC: Comparative analysis with EMD-HT and EEMD-HT under transient conditions利用SGTCC提升水分配系统中的泄漏定位：瞬态条件下与EMD-HT和EEMD-HT的比较分析Measurement
MeasurementIF0
PREAI
分享收藏
查看更多内容