Daily multistep soil moisture forecasting by combining linear and nonlinear causality and attention-based encoder-decoder model. 

Stochastic Environmental Research and Risk Assessment 

https://doi.org/10.1007/s00477-024-02846-5

传统的时间序列预测方法应用于长序列和多变量数据时，往往会忽略特征的重要性以及预测因子和预测值之间的因果关系。近期研究表明，作为 Transformer 的变体之一，Informer 深度神经模型在处理长序列时间序列预测（LSTF）问题方面具有优势。但现有的多变量时间序列预测深度学习模型只是将数据集直接输入模型，并没有充分利用多变量时间序列数据之间的互联关系。针对这一问题，本研究提出了 Causal-Informer（C-Informer）的概念，将 Granger 因果关系与 Informer 模型结合起来，可以克服上述问题，同时显著提高预测精度。C-Informer 方法首先利用 Granger 线性和非线性因果关系计算所有特征与目标变量的因果关系，并根据结果进行特征选择，然后将特征选择后的数据集输入 Informer 模型进行预测。在FLUXNET土壤湿度站点数据集上的实验结果表明，对于预测长度为1、3、6、12、24步的情况，C-Informer方法相较于Informer方法分别平均降低了8.72%、7.62%、5.45%、12.8%、11.1%的RMSE，而R2则分别提高了2.75%、7.88%、2.09%、6.86%、10.8%，与多个Informer和Transformer变体相比，C-Informer具有一定优势。

图1 实验总体框架

表1 不同模型的总体精度

图2 多步土壤水分预测精度