融合人工智能与多源水文数据的短期径流预测研究

摘要

针对多源水文数据中参数相互影响导致短期径流预测精度下降的问题，本文融合人工智能方法，构建了一种时间向量增强型卷积Transformer网络（TVCT-Net）预测模型。首先，通过时间特征增强（Time2Vec）模块增强时间周期特征表达；其次，利用时间卷积网络（TCN）模块提取局部时序变化特征；最后，借助Transformer模块建立全局依赖关系，实现未来1～4 d径流量的多步预测。以北碚（三）水文站数据为例进行实验。实验结果表明：在未来4 d的预测中，TVCT-Net模型的均方根误差（RMSE）为271.53 m³/s，较长短期记忆（LSTM）网络、TCN和TCN-Transformer模型分别降低约36.78%、20.01%和11.98%，且各预测步长下纳什效率系数（NSE）均保持在0.9以上，具有良好的预测精度和稳定性。

关键词

人工智能 / 多源水文数据 / 短期径流预测 / Transformer