GAPatch：一种基于图谱的补丁式Transformer模型，用于长时序序列预测

《Knowledge-Based Systems》：GAPatch: Graph-Aware Patch-Based Transformers for Long-Horizon Time Series Forecasting

提出GAPatch模型，结合静态-动态图注意力机制与重叠片段Transformer，有效捕捉径流时空依赖，在黄河流域8站数据验证中表现优于现有方法。

　　
本研究针对流域径流预测中存在的时空异质性和非线性挑战，提出了一种融合图神经网络与基于块（patch）的Transformer的混合框架GAPatch。该模型通过整合静态与动态图结构、局部时空特征提取和全局关联建模，有效解决了传统方法在捕捉长程时空依赖时的局限性。

在方法创新方面，研究团队首先突破性地将重叠块分割技术引入水文预测领域。通过将连续径流序列划分为具有50%重叠度的滑动窗口，既保留了局地水文动态特征（如洪峰、枯水期等），又有效缓解了序列两端的信息衰减问题。这种处理方式在保持时空连续性的同时，显著提升了模型对突发性水文事件的响应能力。

静态图结构基于流域物理连通性构建，采用河网拓扑关系作为先验知识。研究特别设计了双重图编码机制：一方面通过河网层级关系确定节点间的固定连接权重，另一方面运用动态图自适应捕捉时变关联。这种双轨制设计使得模型既能保持物理机制的稳定性，又能灵活适应不同水文条件下的动态变化。

在空间建模层面，研究创新性地引入动态图注意力网络（GAT）。不同于传统静态图结构，动态GAT通过计算相邻水文站特征相似度实时调整注意力权重。这种机制使得上游来水变化能够自适应地调整对下游站点的预测权重，在黄河流域实测数据中验证了当洪水波传播时，模型能自动强化对上游关键节点的关注，同时合理衰减下游干扰节点的影响。

时序建模方面，研究将Transformer的块分割技术与水文特征深度结合。通过设计可学习的块边界检测机制，模型能够自动识别不同时间尺度下的水文模式。在山西某流域的验证中，当遭遇连续暴雨时，系统会自动调整块窗口长度，优先捕捉30-60天尺度的大范围调蓄效应，同时保留日尺度下的极端流量变化特征。

在实验设计上，研究团队构建了包含8个典型水文站的黄河流域数据集，时间跨度覆盖2012-2021年。特别采用黄金分割法划分训练集（2012-2018）、验证集（2019-2020）和测试集（2021），确保模型在不同水文周期中的泛化能力。评估指标不仅包含传统MAE、RMSE等数值指标，还创新性地引入了物理可解释性评估维度，通过可视化溯源分析验证了模型决策的合理性。

对比实验显示，GAPatch在72小时长程预测中较传统LSTM提升37.2%，较纯Transformer模型提升25.8%，较最新iTransformer模型提升14.5%。在黄河流域2021年的实际洪水预报中，模型成功提前48小时预警了支流来量激增，预测精度达到92.3%，较现有最佳模型提升19.7个百分点。值得注意的是，当模型参数量从1.2亿减少到6000万时，预测精度仅下降3.8%，验证了其较强的参数效率。

研究特别强调物理机制与数据驱动方法的协同作用。通过在Transformer编码器前集成双通道图注意力模块，既保留了传统GNN的拓扑结构优势，又融合了自注意力机制的全局关联能力。在山西某水库的极端降雨模拟测试中，模型能同时捕捉到降雨-径流响应中的非线性特征（如超渗产流）和空间传播规律（如洪峰演进路径），预测误差在3小时内控制在5%以内。

未来研究方向中，团队提出将多源异构数据（如土壤湿度、植被指数）纳入动态图建模，同时探索基于强化学习的自适应块分割机制。研究还发现，在模型推理阶段引入轻量化注意力约束策略，可使计算效率提升40%而不影响预测精度，这对实际工程部署具有重要指导意义。

该成果为水文预测领域提供了新的方法论框架，其创新性体现在三个维度：首先，首次将静态物理图与动态自适应图进行联合建模；其次，开发了具有可解释性边界检测的块分割算法；最后，构建了包含物理约束的数据驱动融合机制。这些突破不仅提升了径流预测精度，更重要的是建立了可解释的时空关联模型，为智慧水务系统提供了新的技术路径。