Investigando el rendimiento del modelo Informer para la predicción de caudales

Estudios recientes han mostrado el potencial de las redes neuronales basadas en Transformer para aumentar la capacidad de predicción. Sin embargo, los transformadores clásicos presentan varios problemas, como la complejidad del tiempo de cálculo y altos requerimientos de memoria, que hacen que la Predicción de Series Temporales de Larga Duración (LSTF) sea un reto. Se examina la contribución a la predicción de series temporales de eventos de inundación utilizando técnicas de aprendizaje profundo, con un enfoque particular en evaluar el rendimiento del modelo Informer (una implementación particular de la arquitectura de transformador), que intenta abordar los problemas anteriores. Este estudio explora las capacidades predictivas del modelo Informer en comparación con métodos estadísticos, modelos estocásticos y redes neuronales profundas tradicionales. La precisión, eficiencia y los límites de los enfoques se demuestran a través de referencias numéricas relacionadas con aplicaciones reales de caudales de ríos. Utilizando datos de flujo diario del río Test en Inglaterra como caso de estudio principal, realizamos una evaluación rigurosa de la eficacia del Informer para capturar las complejas dependencias temporales inherentes a las series temporales de inundación. Entre otras cosas, el presente trabajo amplía su análisis para abarcar diversos conjuntos de datos de series temporales de varias ubicaciones (100) en el Reino Unido, proporcionando información sobre la generalizabilidad del Informer. Los resultados destacan la notable superioridad del modelo Informer sobre los métodos de predicción establecidos, especialmente en cuanto al problema de LSTF. Además, se observa que la estructura de las series temporales, tal como se expresa por el climagograma, afecta el rendimiento de la red Informer.