从无花果（Ziziphus lotus）中提取的纤维素用于去除水溶液中的甲基橙

《Journal of the Indian Chemical Society》：Cellulose extracted from Ziziphus lotus for the elimination of methyl orange from aqueous solutions

多步流流预测中时空跳跃连接模型的研究：基于非线性动态系统和多头自注意力机制，提出MHSA-STSM模型，有效整合时间、空间和全局信息，显著提升五步预测的R值至0.960，较对比模型提高1.05%-11.10%，解决多步预测的时间滞后问题，验证了模型在Maine州河流中的稳定性和准确性。

　　流流量预测是水资源管理和洪水预防的重要工具。为了提升多步预测的准确性和可靠性，研究人员开发了一种名为多头自注意力-时空跳跃连接模型（MHSA-STSM）的新方法。该模型基于非线性动态系统和深度学习技术，通过整合时间模块、时空模块以及直接连接原始输入的跳跃连接，实现了对数据中时间、时空和全局信息的有效融合。这种融合机制使得MHSA-STSM能够在高维数据中更准确地捕捉流流量的动态变化，从而显著提高预测精度。

流流量的变化受到多种因素的影响，包括水文条件和人类活动。因此，流流量的时间序列通常具有高度的非线性和非平稳性。传统的预测方法，如统计模型和机器学习模型，往往难以充分提取和整合这些复杂特征。相比之下，深度学习模型在处理非线性时间序列方面表现出更强的能力，尤其是在单步预测中。然而，对于多步预测，传统深度学习模型仍然存在一些挑战，例如对时间滞后问题的处理不够理想，以及对空间信息的忽视。

为了解决这些问题，研究人员结合了自注意力机制和深度学习模型，以增强对时空信息的处理能力。自注意力机制能够有效捕捉序列中的关键信息，并在处理多变量时间序列时提供更强的上下文理解能力。此外，一些模型如STSM（时空跳跃连接模型）开始尝试同时考虑时间和空间信息，以提升预测的全面性和准确性。然而，这些模型在处理高维数据时仍然存在一定的局限性，例如在捕捉复杂的时空依赖关系方面不够灵活。

MHSA-STSM模型的提出正是为了解决上述问题。该模型通过引入多头自注意力机制，提升了对时空信息的处理能力。同时，它结合了卷积神经网络（CNN）的时间模块，以捕捉短期波动模式。此外，模型还通过跳跃连接保留了原始输入的全局信息，从而增强了对流流量动态变化的预测能力。在应用方面，MHSA-STSM被用于美国缅因州河流的每日流流量预测。在五步预测中，该模型的R值达到了0.960，比CNN、MHSA-LSTM和STSM等传统模型高出1.05%至11.10%。在某些站点，如USGS1047000，该模型的R值达到了0.792，相比其他模型的平均值提升了91.4%。此外，MHSA-STSM在均方误差（RMSE）和平均绝对百分比误差（MAPE）方面也表现出显著优势，其误差值比其他模型低了10.76%至102.50%，以及19.26%至305.51%。在纳希效率系数（NSE）方面，MHSA-STSM同样表现出色，其最高NSE值达到了0.920，远高于其他模型。

为了验证MHSA-STSM模型在不同预测步长下的性能，研究人员还进行了敏感性实验。实验结果表明，该模型在五步、七步和十步预测中均表现出色，且随着预测步长的增加，其R值仅下降了2.3%，NSE值下降了9.1%，显示出较高的稳定性。相比之下，其他模型在预测步长增加时，其性能显著下降。这说明MHSA-STSM模型不仅在处理短期波动方面表现出色，而且在长步长预测中也具有较强的鲁棒性。

MHSA-STSM模型的三个主要贡献在于：首先，它充分利用了流流量序列中的时空信息，通过时间模块和时空模块分别提取时间特征和时空特征，并通过跳跃连接保留全局信息，从而提升了预测的准确性。其次，该模型基于动态系统框架，将流流量系统视为一个动态系统，并利用吸引子理论进行预测。通过学习原始吸引子与延迟吸引子之间的映射关系，模型能够将高维数据中的动态信息转化为目标变量的时间序列信息，从而预测未来的流流量趋势。最后，MHSA-STSM模型具备多步预测的能力，利用非线性动态系统和多头自注意力机制，有效减少了多步预测中的时间滞后问题，提高了预测的精度和稳定性。

在研究区域方面，本文选择了美国缅因州的四个代表性水文站点，以评估MHSA-STSM模型在不同地理环境下的适用性和预测能力。这些站点分布在不同河流上，具有不同的水文特征。通过对这些站点的流流量数据进行分析，研究人员能够更全面地了解模型在不同条件下的表现，并为水文研究和水资源管理提供科学依据。

在实验设计和参数优化方面，研究人员采用了一系列评价指标，包括R值、NSE值、RMSE值和MAPE值，以衡量模型的预测性能。通过调整模型参数，研究人员优化了模型的结构和性能，使其在不同预测步长下都能保持较高的预测精度。此外，实验还涉及对模型在极端事件中的预测能力进行分析，以评估其在应对突发性水文变化时的可靠性。

结果分析表明，MHSA-STSM模型在五步预测中表现出色，其R值和NSE值均优于其他模型。在七步和十步预测中，该模型的性能仍然保持稳定，说明其在处理较长的预测周期时也具有较强的适应能力。特别是在预测峰值流流量时，MHSA-STSM模型能够有效减少误差，提高预测的准确性。这些结果表明，MHSA-STSM模型不仅在常规预测任务中表现出色，而且在应对极端水文事件时也具有较高的可靠性。

在讨论部分，研究人员进一步分析了MHSA-STSM模型与其他深度学习模型（如LSTM、CNN和CNN-LSTM）在流流量预测中的性能差异。LSTM模型因其独特的记忆细胞结构，能够存储和访问历史信息，从而准确捕捉历史信息对当前流流量的影响。然而，LSTM模型在处理多变量时间序列时，仍然存在一定的局限性，尤其是在捕捉复杂的时空依赖关系方面。相比之下，MHSA-STSM模型通过引入多头自注意力机制，不仅提升了对时间信息的处理能力，还增强了对空间信息的理解，从而在多步预测任务中表现出更高的准确性和稳定性。

此外，研究人员还探讨了MHSA-STSM模型在实际应用中的潜在价值。该模型的动态框架使其能够更好地适应流流量的非线性和非平稳特性，同时通过多头自注意力机制增强了对关键信息的识别能力。这种能力在水资源管理、洪水预警和干旱监测等方面具有重要意义。例如，在洪水预防中，准确的流流量预测可以帮助相关部门提前采取措施，减少灾害带来的损失。在水资源调配中，高精度的预测可以为决策者提供更可靠的数据支持，从而优化水资源的利用效率。

综上所述，MHSA-STSM模型通过结合多头自注意力机制和时空跳跃连接，成功克服了传统流流量预测模型在处理高维数据和多步预测时的不足。该模型不仅在常规预测任务中表现出色，而且在极端事件预测中也具有较高的可靠性。未来的研究可以进一步探索该模型在其他地理区域和不同水文条件下的适用性，并尝试将其应用于更广泛的水文预测任务中，以提升水资源管理的智能化水平。