
-
生物通官微
陪你抓住生命科技
跳动的脉搏
融合时间因果编码、线性注意力与KAN非线性解码器的混合径流预报模型
《Scientific Reports》:An interpretable model for efficient and robust runoff forecasting via causal-linear attention and adaptive KAN decoding
【字体: 大 中 小 】 时间:2026年10月21日 来源:Scientific Reports 4.9
编辑推荐:
摘要准确的径流预测对于水资源管理、防洪和灾害缓解至关重要。然而,现有的深度学习模型在高效建模长序列、表征非线性径流响应和提供可解释的预测方面常常面临挑战。为了解决这些问题,本研究提出了LiTKAN,一种混合径流预报模型,集成了时间因果编码(TCE)、全局线性注意力(GLA)和
准确的径流预测对于水资源管理、防洪和灾害缓解至关重要。然而,现有的深度学习模型在高效建模长序列、表征非线性径流响应和提供可解释的预测方面常常面临挑战。为了解决这些问题,本研究提出了LiTKAN,一种混合径流预报模型,集成了时间因果编码(TCE)、全局线性注意力(GLA)和基于KAN的非线性解码器(KND)。所提出的模型结合了时间信息表征、高效长距离依赖建模和自适应非线性映射。具体而言,TCE将时间结构信息融入径流序列;GLA将基于注意力的依赖建模的计算复杂度从O(N2)降低至O(N),从而实现高效的长序列特征提取;KND则采用可学习的B样条基函数来表征非线性径流响应并提供数据驱动的可解释性。为了评估LiTKAN在不同预报配置下的表现,本研究在双时间尺度和四个具有不同水文特征的代表性流域进行了实验,包括多源气象驱动的预报和单变量径流预报场景。结果显示,LiTKAN在评估条件下取得了具有竞争力的预测性能,四个流域的NSE值范围为0.878至0.994。与基线模型相比,该模型在极端径流变化的表征方面也有改进。在计算效率方面,与标准Transformer相比,线性注意力机制在保持高预测精度的同时减少了运行时间和GPU内存消耗。消融实验和可解释性分析表明,不同模型组件在不同预报场景下的贡献不同,且KND提取的非线性响应模式与已知的径流特征总体一致。总体而言,本研究展示了在多小时尺度的径流预报中整合高效序列建模、非线性表征和数据驱动的可解释性的潜力。