PulseAugur
中
实时 07:23:15
English(EN) Evaluating Transformer and LSTM Frameworks for Prediction in Ungauged Basins

LSTM在无测站流域的流量预测中优于Transformer

作者 PulseAugur 编辑部 · [1 个来源] ·

一项发表在arXiv上的新研究评估了Transformer和LSTM模型在无测站河流流域预测流量的有效性。研究人员发现，LSTM架构在重建上游流量方面通常优于Transformer模型，尤其是在纳入下游水文背景时。研究结果表明，与仅编码器的Transformer相比，循环记忆机制更适合这项特定的水文序列推理任务，并且包含下游数据能显著提高两种模型类型的预测准确性。 AI

影响 表明循环架构可能比仅编码器的Transformer更适合水文序列建模。

排序理由 该集群包含一篇评估特定科学应用机器学习模型的研究论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.AI 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →

报道来源 [1]

  1. arXiv cs.AI TIER_1 English(EN) · Taye Akinrele, James Halgren, Noorbakhsh Amiri Golilarz, Sudip Mittal, Shahram Rahimi ·

    评估Transformer和LSTM框架在无测站流域预测中的应用

    arXiv:2606.02791v1 Announce Type: new Abstract: Watershed networks exhibit convergent topologies in which multiple tributaries merge into downstream channels,integrating diverse upstream hydrological processes. In ungauged basins, the absence of direct observations increases unce…

相关实体

相关话题