Streamflow Forecasting Based on PatchTST, LSTM, and Ensemble Learning Approaches

Hajar Feizi

doi:10.1007/s11269-025-04397-y

2026-01-03

PRE

Hajar Feizi *

Mohammad Taghi Sattari

DOI：10.1007/s11269-025-04397-y

原文链接

原文求助

摘要

En 中文

准确的水流预测在有效的水资源管理、防洪控制和水文规划中发挥着至关重要的作用。传统的基于过程的模型在识别和模拟水流数据中固有的复杂时间依赖性时，往往面临挑战。因此，本研究评估了两种深度学习模型——Patch Time Series Transformer（PatchTST）和长短期记忆（LSTM）网络——在塞菲德鲁德河（Sefidrud River）日水流预测中的性能。LSTM模型能够捕捉时间序列中的序列和长期依赖性，而PatchTST利用Transformer架构同时提取局部和全局特征。为提高预测精度，开发了两种集成学习方法——堆叠（Stacking）和加权平均（Weighted Averaging），以利用两种基础模型的互补优势。输入滞后的数量通过向量自回归（VAR）方法确定，该方法识别出两个最优滞后项作为模型输入。模型性能通过数值指标和图形分析进行评估。结果表明，PatchTST模型在预测日水流值方面优于LSTM模型。此外，集成方法，尤其是堆叠集成，通过整合两种模型的互补优势，显著提高了预测精度。堆叠方法取得了最佳的整体性能，其RMSE=1.593 m³/s，MAE=1.333 m³/s，NS=0.991，CC=0.998。这些发现强调了堆叠集成作为一种稳健且具有前景的水文预测框架的潜力，特别是在山区和半湿润地区的日水流预测中。

Keyword:

Autoregressive

Deep learning

Ensemble learning

Hydrological modeling

Stacking method

Streamflow forecasting