Knowledge-Graph-Augmented Chronos-2 for HEC-RAS Surrogate Forecasting

📄 arXiv: 2609.21381v1 📥 PDF

作者: Edward Holmberg, Elias Ioup, Mahdi Abdelguerfi

分类: cs.LG, cs.AI

发布日期: 2026-09-18

备注: 9 pages, 4 figures, 4 tables

💡 一句话要点

提出KG-Chronos-2以提升HEC-RAS水面高度预测精度

🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 水面高度预测 时间序列模型 图条件检索 残差解码 水利工程 机器学习

📋 核心要点

  1. 现有的HEC-RAS水面高度预测方法在准确性和稳定性上存在不足，尤其是在复杂水文条件下表现不佳。
  2. KG-Chronos-2通过结合时间序列模型与项目知识，采用图条件历史检索和残差解码等技术，旨在提升预测精度。
  3. 实验结果表明，KG-Chronos-2在多个基线模型中表现最佳，RMSE显著降低，验证了其在水面高度预测中的有效性。

📝 摘要（中文）

本研究探讨了将时间序列基础模型与水利项目知识结合是否能改善HEC-RAS水面高度（WSE）的替代预测。我们提出了KG-Chronos-2，该模型结合了冻结的Chronos-2预测器、精确状态残差解码、图条件历史检索和输入对齐校正。通过与多种基线模型的比较，KG-Chronos-2在64个固定的24小时窗口中实现了事件平衡的均方根误差（RMSE）为0.246970，相较于冻结的Chronos-2减少了14.13%的RMSE，显示出其在水面高度预测中的有效性。

🔬 方法详解

问题定义：本研究旨在解决HEC-RAS水面高度预测中的准确性不足问题，现有方法在复杂水文条件下的表现不理想，导致预测结果不稳定。

核心思路：KG-Chronos-2的核心思路是将冻结的时间序列预测模型与水利项目知识相结合，通过图条件历史检索和残差解码来提高预测的准确性和可靠性。

技术框架：KG-Chronos-2的整体架构包括冻结的Chronos-2预测器、精确状态残差解码模块、图条件历史检索模块以及输入对齐校正模块。这些模块协同工作，以实现更精确的水面高度预测。

关键创新：KG-Chronos-2的主要创新在于将时间序列预测与项目知识有效结合，利用图条件历史检索来增强模型的上下文理解能力，这与传统的单一时间序列模型有本质区别。

关键设计：在模型设计中，采用了特定的损失函数来优化残差解码过程，并通过对输入数据进行对齐校正来提高模型的鲁棒性。模型的参数设置经过精细调整，以确保在不同水文条件下的稳定性和准确性。

🖼️ 关键图片

img_0
img_1
img_2

📊 实验亮点

KG-Chronos-2在64个固定的24小时窗口中实现了事件平衡的均方根误差（RMSE）为0.246970，相较于冻结的Chronos-2减少了14.13%的RMSE，且在所有对比模型中表现最佳，显示出其在水面高度预测中的显著优势。

🎯 应用场景

KG-Chronos-2在水利工程、环境监测和水资源管理等领域具有广泛的应用潜力。其高精度的水面高度预测能力能够为决策支持提供重要依据，帮助相关部门更好地应对洪水等极端天气事件，提升水资源管理的效率和安全性。

📄 摘要（原文）

We investigate whether coupling a time-series foundation model to hydraulic project knowledge improves surrogate forecasting of HEC-RAS water-surface elevation (WSE). We present KG-Chronos-2, which combines a frozen Chronos-2 predictor with exact-state residual decoding, graph-conditioned historical retrieval, and input-aligned correction. We compare the method with persistence, a residual LSTM, project-conditioned recurrent GeoFNO, a hydraulic DCRNN-style model, and frozen Chronos-2. Task-specific fitting uses the 2008 simulation. Evaluation covers 64 fixed 24-hour windows from the 2011 and 2002 simulations at 4,675 cross sections in 71 reaches on a shared geometry. KG-Chronos-2 achieves event-balanced root-mean-square error 0.246970 in native WSE units. It reduces RMSE by 14.13% relative to frozen Chronos-2, 29.38% relative to the hydraulic DCRNN-style model, and 39.54% relative to recurrent GeoFNO. The 95% hierarchical-bootstrap interval for its event-balanced RMSE difference from frozen Chronos-2 is [-0.075177, -0.016317]. KG-Chronos-2 also achieves the lowest active-window and final-lead RMSE among the six completed systems. These results support coupling a frozen temporal predictor to project knowledge for warm-start HEC-RAS forecasting on the fixed benchmark.