Liu W, Guan G, Chen X, Shi L, Fu G, Savic D. Physics-guided networks for probabilistic hydrodynamic forecasting in canal systems. Environ Sci Ecotechnol. 2026 May 5;31:100703. doi: 10.1016/j.ese.2026.100703. PMID: 42181611; PMCID: PMC13194548.
本文针对国南水北调中线工程中水位精准预测的难题，建立了一个物理与行动信息融合的水位预测模型（PANet）。研究利用积分延迟理论结合稀疏概率自注意力机制，在考虑闸门调控行为及水文延迟特性的前提下，优化了多步水位预测的时序建模过程。研究得出，通过引入行动注意力编码器增强模型对人工干预的敏感性，并采用双分支解码器分别捕捉短期水位波动与长期演变趋势，可以显著提升预测精度与稳定性，较主流模型降低预测误差32%–77%，从而为调水工程的智能调度与运行安全提供可靠的技术支撑。
在大型跨流域调水工程中，精准的水位预测是保障输水安全与优化调度决策的核心技术手段，但传统水动力学模型严重依赖难以实时获取的渠道参数与边界条件，而主流深度学习方法则缺乏对闸门调控等人工干预行为的可解释性建模能力。在水文过程复杂、调控响应存在显著时滞的工程实际中，探索融合物理机制与行动信息的水位预测新方法具有迫切的现实必要性。
(1) 过去的研究程度：以往水动力学模型基于Saint‑Venant方程，具有较强的物理可解释性，但严重依赖渠道糙率、断面几何等难以实时获取的参数，且对复杂边界条件适应性差；而数据驱动方法（如LSTM、Transformer、Informer）虽展现出良好的泛化能力，却多侧重于纯时序建模，未能将闸门开度等人工调控行为显式纳入学习框架，也缺乏对水文延迟响应与马尔可夫特性的联合刻画。
(2) 核心痛点：现有深度学习方法难以同时捕捉渠道水位的短时扰动（如闸门操作引起的局部波动）和长程演化趋势（如上游来水滞后影响），更无法有效阐释人为干预措施与水力响应之间的因果关联；同时，模型普遍缺乏物理启发的可解释性，导致在多步预测任务中精度不稳定、泛化能力受限，难以满足实际调度对可靠性的要求。
(3) 本文解决的具体问题：针对上述瓶颈，本文试图构建一种融合积分延迟理论与行动编码机制的新型预测网络（PANet），通过设计行动注意力编码器显式嵌入闸门开度信息，并采用双分支解码器分别学习短期动态和长期趋势，从而在多步水位预测中同步解决“时滞建模”“调控响应建模”和“多尺度特征融合”三个关键问题，最终提升模型在真实调水工程中的预测精度、稳定性与物理可解释性。
理论上，本文首次将积分延迟物理机制与稀疏自注意力深度学习架构深度融合，精细刻画了长距离调水渠道系统中“水文时滞—人工调控”的耦合响应特征，揭示了闸门操作对水位演变的因果作用路径。
实际应用中，本研究提出了一套融合行动注意力编码与双分支解码的水位预测模型（PANet），不仅能在多步预测中实现0.0139米的平均绝对误差（较主流模型降低32%~77%），还为调水工程的多尺度智能调度、运行安全预警及闸门操控策略优化提供了高精度、可解释的数据支撑与决策依据。
地理位置与范围：南水北调中线工程始于湖北省丹江口水库，途经河南、河北、北京、天津，终点为北京颐和园团城湖，全长1432公里。本研究聚焦于中线工程唐河控制闸至牤牛河控制闸之间的渠段，全长约72.85公里，依据闸门分布划分为三个渠池：D₁（唐河至安阳河闸，28.859公里）、D₂（安阳河闸至漳河闸，14.188公里）、D₃（漳河闸至牤牛河闸，29.805公里）。
关键站点：沿线包含4座控制闸（唐河闸、安阳河闸、漳河闸、牤牛河闸）
选址原因：该渠段是中线工程中调控密集、水文响应复杂且具有典型时滞特征的输水通道，兼顾长距离输水与局部闸群联动。
（2）研究数据
| | | | |
《南水北调东线一期工2020年10月1日 — 2021年10月31日程可行性研究报告》 | | | 上游闸门开度、平均进出口水位、上游流量、下游水位、下游流量 | |
新模型/方法：本文提出了一种基于积分延迟理论与稀疏概率自注意力机制融合的物理-行动双驱动水位预测模型（PANet）。该模型采用编码器-解码器架构，核心包含两大模块：行动注意力编码器——通过行动编码、时间编码和位置编码将闸门开度等调控信号嵌入输入序列；双分支解码器——由短时特征学习分支和长时特征学习分支构成，两分支输出沿特征维度拼接后经全连接层生成最终的多步水位预测结果。
（1）理论基础。引入积分延迟方程，刻画渠池系统中上游入流时滞与下游出流之间的水位响应关系，为模型提供物理先验约数据获取与预处理束。
(2)数据获取与预处理。收集南水北调中线工程唐河至牤牛河段四个控制闸一年的运行数据（5分钟采样），经异常值剔除、线性插补和Z-Score标准化后，按7:2:1分为训练、验证和测试集。
(3)模型构建。设计PANet网络，编码端采用行动注意力编码器将闸门开度信号嵌入输入序列；解码端采用双分支结构——长时特征学习分支（稀疏自注意力）建模全局趋势与时滞，短时特征学习分支（全连接层）捕捉局部扰动，两分支拼接后经全连接层输出多步水位预测。
(4)实验设置。以RNN、LSTM、Transformer和Informer为基准模型，设置四组不同输入/预测步长任务，通过网格搜索确定超参数。
(5)模型评估。以MAE、MAPE、RMSE为评价指标，开展模型间对比实验、消融实验（移除各模块）及注意力头数敏感性分析。
（6）可解释性验证。通过注意力权重热力图可视化，验证稀疏注意力机制是否聚焦于与物理时滞特性一致的时序区间，增强模型可信度
PANet在全部四组多步预测任务（n=48/24, 96/48, 192/96, 384/192）中均取得了最优的预测精度，MAE、MAPE和RMSE三项指标全面领先于Informer、Transformer、LSTM和RNN四种基准模型，展现出卓越的准确性、稳定性与跨尺度泛化能力。
（1）短期预测（n=48, k=24）：PANet的MAE=0.0087 m，相比Informer、Transformer、LSTM和RNN，误差分别降低31.50%、86.15%、56.06%和76.92%。在极短期预测场景中优势尤为显著。
（2）中短期预测（n=96, k=48）：MAE=0.0102 m，误差降低幅度分别为32.89%（vs Informer）、86.08%（vs Transformer）、69.55%（vs LSTM）和81.52%（vs RNN），性能持续领先。
（3）中长期预测（n=192, k=96）：MAE=0.0118 m，相较四种基准模型误差降低33.33%~84.87%，表明PANet在逐步延长的预测时域中仍保持稳定的精度优势。
（4）长期预测（n=384, k=192）：MAE=0.0248 m，相比Informer、Transformer、LSTM和RNN，误差分别降低30.73%、55.15%、63.20%和72.47%。即使在最长的192步预测任务中，PANet依然保持最低误差，验证了其长序列建模能力。
(1)内在机理：PANet通过三项核心设计实现物理与行动的深度融合：积分延迟方程作为物理先验锚定上游来水与下游水位之间的时滞关系；行动注意力编码器（A2E） 显式建模闸门调控行为对水位的因果影响路径；双分支解码器（DBD） 分别捕捉短时扰动（SFL）与长程趋势（LFL），经特征融合输出预测结果。三者协同使模型在复杂调控场景下兼具数据拟合精度与物理可解释性。
(2)与现状对比与启示：现有主流深度学习方法将闸门开度与普通水文变量平级处理，缺乏对“调控-响应”因果链的显式建模，导致非稳态条件下预测精度骤降。PANet在四组多步预测任务中MAE（0.0087~0.0248 m）全面优于Informer（0.0127~0.0358 m）和Transformer（0.0553~0.0733 m），验证了物理-行动耦合架构在精度与稳定性上的双重优势；同时注意力热力图可视化揭示了模型与时滞物理规律一致的聚焦模式，为调度决策提供了透明化的解释依据，直接回应了工程中“深度学习黑箱难以信任”的痛点。未来引入降水、分水计划等多元数据后，该框架有望进化为融合物理规律与调控意图的通用智能预测范式。
(1)研究局限性
当前模型主要依赖于水文时序数据（流量、水位、闸门开度），尚未融合降水、分水计划及调度指令等多元异构信息，限制了模型对外部突发事件（如暴雨、工程故障）的响应能力。此外，实验数据仅覆盖南水北调中线工程三个渠池、为期一年的运行记录，模型在更长时序、更复杂渠系拓扑或不同调水工程中的泛化能力尚未得到充分验证。
（2）未来研究方向
引入多源异构数据融合机制，将降水预报、区间分水计划、调度操作指令等作为条件输入，构建支持突发工况响应的增强型预测框架。在此基础上，将积分延迟方程中的时滞参数τ和回水面积A_d由固定先验升级为可学习的物理参数模块，结合逆问题求解策略，在实现多步水位预测的同时同步反演渠道阻尼特性与波速参数，使模型从“数据拟合物理规律”进化为“数据-物理联合驱动”的真正融合范式。同时，拓展至全线多闸站多渠池联合建模，验证PANet在大型复杂渠系拓扑中的计算效率与泛化能力。
10个月宝宝每天需要喝多少奶粉？
