信息来源：互联网   发布时间：2024-04-02

　　然后，解码器部门利用这些信息来猜测将来几天的河道流量

　　然后，解码器部门利用这些信息来猜测将来几天的河道流量。它思索了当前的景象预告，和已往的气候对将来流量的影响。如许中国经济批评期刊，就可以够获得将来一周的流量猜测经济成绩探究编纂部。

　　成果显现，模子展示了较高的准确度和召回率，特别是关于短时间报答周期的变乱。这意味着模子可以精确地辨认出大水变乱，而且错过的变乱较少。

　　终极，编码器将汗青景象数据转化为一个潜伏的暗示情势，这个暗示情势包罗了对已往景象状况的了解和总结。这个暗示情势是编码器的输出，并通报给解码器，用于将来流量的猜测。

　　别的经济成绩探究编纂部，经由过程两侧 Wilcoxon 标记秩查验，模子的猜测成果在统计上明显优于基准模子。这证实了模子在大水猜测方面的有用性。

　　分离准确度和召回率，模子在差别报答周期的变乱上得到了较高的 F1 score，表清楚明了其在精确性和片面性之间获得了优良的均衡。

　　比方，尝试接纳的样本能够较小，限定了研讨成果的遍及合用性和统计成效。研讨所用的数据集的多样性存在不敷中国经济批评期刊，这能够影响模子的泛化才能。接纳的模子庞大度较高，能够招致计较本钱增长并限定了其可注释性和便利性。

　　在编码器中，LSTM 收集被用来处置工夫序列数据。LSTM 具有内部影象单位，能够记着已往的信息，并按照当前的输入来更新内部形态。这使得编码器可以在处置持久依靠干系时表示优良，并在建模过程当中保存主要的汗青信息。

　　然后，数据分红两品种型：锻炼集和测试集。锻炼集用于锻炼模子中国经济批评期刊，而测试集则用于评价模子的机能。研讨职员利用了一种“穿插考证”的办法，以确保模子在差别的工夫和所在都可以有用地事情。

　　研讨团队接纳了常见的偏差目标来量化模子猜测值与实践观察值之间的差别。因为模子猜测的不但是将来流量的详细数值，并且还给出了流量猜测的不愿定性，因而他们利用了几率积分变更（PIT）图来评价猜测散布的精确性。

　　研讨职员搜集了大批的景象数据和河道流量数据，来锻炼这一模子。这些数据来自于差别的数据源，包罗景象预告、汗青记载和天文信息。经由过程将数据尺度化处置，模子得以准确了解它们。

　　起首，编码器卖力从上一段工夫内的景象数据中提失信息，它从已往的气候状况中了解河道流量的变革状况经济成绩探究编纂部。它将汗青景象数据转化为可供解码器利用的信息情势的感化。经由过程进修景象数据中的特性和工夫形式，模子对已往景象状况构成笼统了解，为后续的流量猜测供给了枢纽性的输入。

　　同时，编码器可以捕捉景象数据之间的工夫依靠干系中国经济批评期刊。这意味着它不单单思索当前时辰的景象状况，还思索了之前一段工夫内的景象变革趋向。经由过程对汗青数据的进修，编码器可以了解景象数据的工夫序列形式中国经济批评期刊，并将其归入到模子中。

　　在 Nash–Sutcliffe 服从和 Kling-Gupta 服从等水文目标上，模子一样显现了优良的猜测精度和对水文历程变革的敏理性。

　　图｜基于 LSTM 的河道预告模子架构。两个 LSTM 顺次使用，一个领受汗青气候数据，另外一个领受猜测气候数据经济成绩探究编纂部。模子输出为每一个预告工夫步的流量几率散布参数。

　　Cohens d 目标显现，模子机能改良的结果是明显的，这进一步考证了模子相对传统办法的劣势。

　　在了解了汗青景象前提和将来猜测以后，解码器经由过程一个自力的 LSTM 收集来天生对将来河道流量的猜测。这个收集能够了解为一个工夫序列的天生器，按照已往的信息和将来的猜测来天生流量序列中国经济批评期刊。

　　研讨团队暗示，该模子能对未测流盆地的小范围和极度大水变乱做出预警，且预警期比之前的办法都更长，并可进步开展中地域得到牢靠大水预告的时机。

　　比年来，人类酿成的天气变革进一步增长了一些地域的大水频次。但是，今朝的预告办法次要依靠沿河而建的观察站，其在环球的散布其实不服均，这就招致未经丈量的河道更难预告，其负面影响次要体如今开展中国度。

　　对此，研讨团队暗示，将来的事情需求进一步将大水预告的笼盖范畴扩展到环球更多所在，和其他范例的大水相干变乱和灾祸，包罗山洪和都会大水。野生智能手艺也将持续阐扬枢纽感化，协助鞭策科学研讨，增进天气动作。

　　别的，该模子在猜测重现窗口（return window）期为五年的极度气候变乱时，其精确性与 GloFAS 猜测重现窗口期为一年的变乱时的精确性相称或更高。

　　编码器则经由过程领受一系列景象数据（好比降水量、温度、辐射等）作为输入，进修怎样提取这些数据中的枢纽特性信息。这些特性信息能够包罗时节性变革、景象变乱（如暴雨、高温等）和它们对河道流量的影响。

　　别的，研讨团队还接纳了特定的流域或河道作为案例研讨，使用模子于实践情境中，并具体阐发模子在差别时节、差别天气前提下的猜测机能。这有助于评价模子在实践使用中的可行性和不变性。

　　除量化目标，研讨团队也还对模子猜测的不愿定性停止了深化阐发。这包罗评价差别滥觞的不愿定性（如输入数据的不愿定性、模子构造的不愿定性等）对猜测成果的影响，和模子怎样在存在不愿定性的状况下仍旧供给有效的猜测。

　　现在，来自 Google Research 大水猜测团队的 Grey Nearing 及其同事开辟的野生智能模子，经由过程操纵现有的 5680 个丈量仪停止锻炼，可猜测未丈量流域在 7 天猜测期内的日径流。

　　解码器不单单猜测将来的河道流量值，还输出一个几率散布。详细来讲，模子利用一个单边拉普拉斯散布来形貌流量的不愿定性，猜测每一个工夫步的流量值时，输出一个单边拉普拉斯散布的参数，而不是一个肯定的值。这使得模子可以思索到流量猜测的不愿定性，为决议计划供给了更多的信息。

　　别的，研讨聚焦于特定使命或范畴，能够限定了办法的普遍使用；这个办法缺少持久影响的评价，使得对模子随工夫变革的表示了解不敷，评价尺度能够没法片面反应模子机能；且对现有手艺的改历程度能够相对有限。

　　研讨团队还经由过程与其他流量猜测模子的比照来评价所提出模子的机能。这包罗了传统的物理模子和其他机械进修模子。经由过程比力差别模子的偏差目标，能够直观地展现所提模子在精确性和牢靠性上的劣势。

　　随后，他们将该野生智能模子与环球抢先的短时间和持久大水猜测软件——环球大水预警体系（GloFAS）停止了比照测试。成果显现，该模子同日猜测精确率与当前体系相称以至更高。

　　解码器同时领受将来的景象猜测数据作为输入。这些猜测数据凡是包罗了将来几天的降水量、温度等景象目标。解码器将汗青信息和将来猜测分离起来，经由过程进修它们之间的干系来猜测将来的河道流量。

　　解码器在模子中卖力将汗青景象信息和将来猜测分离起来，天生对将来河道流量的猜测，并输出响应的流量几率散布。

　　终极的流量猜测成果是经由过程集成多个解码器模子的输出获得的。模子利用了三个自力锻炼的解码器 LSTM 收集，然后将它们的猜测成果取中值，从而削减猜测的方差并进步猜测的不变性。

　　据论文形貌，该研讨利用了一种叫做是非时间影象（LSTM）收集的野生智能模子来停止河道流量的猜测。这个模子的设想有点像我们的大脑，它能够从一系列的景象数据中进修并猜测将来的河道流量，分为编码器息争码器两部门。

　　解码器起首领受来自编码器的潜伏暗示情势，这个暗示情势包罗了汗青景象数据的笼统了解。解码器操纵这些信息来了解已往的景象前提对河道流量的影响，并成立起汗青数据与将来猜测之间的联络。

免责声明：本站所有信息均搜集自互联网，并不代表本站观点，本站不对其真实合法性负责。如有信息侵犯了您的权益，请告知，本站将立刻处理。联系QQ：1640731186

Tags:本站