基于陆地表面模型的预测方法进展：LSTM、Gradient Boosting 和前馈神经网络模型的比较研究作为预测状态仿真器
内容提要
本研究利用机器学习和递归神经网络（RNNs）提高全球河流和干旱预测的准确性。比较不同模型后，发现卷积LSTM和Transformer在干旱强度预测中表现优越，而LSTM在建筑能源消耗预测中也显示出高效性，优于传统方法。研究表明，LSTM在多种应用中具有更好的预测性能。
延伸解读
模型选择需权衡任务与时间跨度
文章指出，在干旱强度预测中，卷积LSTM和Transformer模型优于基线，ROC AUC分数在0.70到0.90之间，并建议根据预测时间跨度选择合适的模型。这表明不同模型在不同预测任务上表现各异，实际应用中需结合具体需求进行选择，而非盲目追求单一模型。
LSTM在短期预测中展现优势
在高维混沌系统的预测中，LSTM与高斯过程相比，在所有应用中都表现出更好的短期预测准确性，且MSM-LSTM能保证收敛到不变措施。这提示LSTM在复杂系统的短期预测中可能更具优势，但长期预测性能仍需进一步验证。
Transformer在水文建模中的局限性
研究发现，普通Transformer结构在水文建模方面的性能不如LSTM结构；去除循环结构的变体虽可与LSTM相媲美，但与当前最先进技术相比性能并不突出。这说明Transformer并非在所有序列预测任务中都占优，循环结构可能对水文建模尤为重要。
LSTM在能源预测中的高效性
在建筑能源消耗预测中，LSTM模型相比线性回归、决策树和随机森林等传统方法，在所有指标上表现更优，最高R2得分达0.97，最佳MAE为0.007，并能在受限数据集上实现高效预测。这展示了LSTM在时间序列预测中的广泛适用性和高精度潜力。
Q&A
LSTM模型在建筑能源消耗预测中表现如何？
LSTM模型在建筑能源消耗预测中表现出色，优于传统预测方法，具有最高的R2得分0.97和最佳的平均绝对误差0.007。
卷积LSTM和Transformer在干旱强度预测中的表现如何？
卷积LSTM和Transformer模型在干旱强度预测中优于基线模型，ROC AUC分数从0.90降至0.70。
LSTM模型在高维混沌系统中的应用效果如何？
LSTM模型在高维混沌系统中展示了良好的定量预测效果，表现出比高斯过程更好的短期预测准确性。
普通Transformer结构在水文建模中的表现如何？
普通Transformer结构在水文建模方面的性能不如LSTM结构，去除循环结构的变体性能也不突出。
本研究如何提高全球河流预测的准确性？
本研究通过利用机器学习和递归神经网络（RNNs）的方法，提高了全球河流预测的准确性。
LSTM模型在长期干旱预测中的应用建议是什么？
建议根据预测时间跨度选择合适的模型进行长期干旱预测，特别是卷积LSTM和Transformer模型。
