Page 112 - 2025年第56卷第7期

５项分量（见图 ６）。图中红色虚线左侧为训练集、验证集的分解，右侧为测试集的动态分解结果。

图 ６ 径流序列 ＳＴＬ － ＶＭＤ动态分解结果

４．１．２ 预见期 １个月径流预报结果 将 Ｉｎｆｏｒｍｅｒ各超参数设定为：模型维度为 ５１２、注意力头数为 ８、
编码器层数为 ２、解码器层数为 １、全连接网络维度为 ２０４８、ＰｒｏｂＳｐａｒｓｅ自注意力因子为 ５、蒸馏操作
为 Ｔｒｕｅ、时间特征编码方式为 ｔｉｍｅＦ、时间间隔为 “月”、激活函数为 ｇｅｌｕ、学习率为 ０．０００１、损失函
数为 ｍｓｅ、丢弃率为 ０．０５、反归一化为 Ｔｒｕｅ。
将 ５项分量分别输入 Ｉｎｆｏｒｍｅｒ进行学习预报。预见期 １个月，各分量的输入输出长度及其他超参
数见表 １。以 Ｔｒｅｎｄ分量为例，ｓｅｑ＿ｌｅｎ为模型输入的历史时间步数，输入模型的序列长度为 １２，即当
前时刻的前 １２个数据；标签长度（ｌａｂｅｌ＿ｌｅｎ）为 Ｉｎｆｏｒｍｅｒ特有参数，用以辅助模型预测，为当前时刻的
前 ３个数据；ｐｒｅｄ＿ｌｅｎ为预测未来的时间步数，值为 １表示预测当前时刻后 １个数据，即未来 １个月的
数据。得到各分量的预测结果后，将 ５项分量结合重构，得到最终的径流预报值，如图 ７。预报结果
ＮＳＥ达到 ０．８９７。

表 １ Ｉｎｆｏｒｍｅｒ模型学习预报过程超参数（预见期 １个月）
分量 ｓｅｑ＿ｌｅｎ ｌａｂｅｌ＿ｌｅｎ ｐｒｅｄ＿ｌｅｎ ｔｒａｉｎ＿ｅｐｏｃｈｓ ｂａｔｃｈ＿ｓｉｚｅ

Ｔｒｅｎｄ １２ ３ １ ２０ ２
Ｓｅａｓｏｎａｌ ３６ １２ １ ２０ ２
１２ １ １ ２０ ２
ＩＭＦ １ —ＩＭＦ ３

图 ７ 石匣里站 ２０１３—２０１６年径流预报结果

４．２ 讨论
４．２．１ 不同分解方法与预报模型对比 为更好地评估本模型的性能，本文设计了不同的分解方法与预
报模型进行对比。预报模型分别为 ＡＲＩＭＡ（ＡｕｔｏｒｅｇｒｅｓｓｉｖｅＩｎｔｅｇｒａｔｅｄＭｏｖｉｎｇＡｖｅｒａｇｅＭｏｄｅｌ）、ＬＳＴＭ 和
Ｉｎｆｏｒｍｅｒ，分解方法分别为不分解、ＳＴＬ动态分解、ＳＴＬ － ＶＭＤ两段动态分解，组合成 ９组对比模型。
各组训练集、验证集、测试集性能评价指标结果如表 ２。

８
— ９ ３ —