CauSTream：用于流量预测的因果时空表示学习

流量预测对水资源管理和风险缓解至关重要。尽管深度学习模型已实现强大的预测性能，但它们往往忽视潜在的物理过程，从而限制了可解释性和推广性。近期的因果学习方法通过整合领域知识解决了这些问题，但通常依赖于固定的因果图，无法适应数据。我们提出CauStream，一个用于因果时空流量预测的统一框架。CauStream联合学习（i）气象强迫之间的径流因果图和（ii）捕捉站点动态依赖关系的路由图。我们进一步在非参数设置下建立这些因果结构的可识别性条件。我们在美国三个主要河流流域和三个预测时段上评估CauStream。该模型在性能上始终超过以前的最先进方法，在较长的预测窗口中性能差距扩大，表明对未见条件的更强推广。除了预测外，CauStream还学习捕捉水文因素和站点之间关系的因果图。推断出的结构与已建立的领域知识密切对齐，为流域动态提供了可解释的见解。CauStream为因果时空建模提供了原则基础，具有扩展到广泛的科学和环境应用的潜力。