# 集成分位数长短期记忆网络

澳大利亚流域的洪水预警改用分位数集成深度学习：三条独立训练的LSTM分别给出流量均值与5%、95%分位，把预测包成90%置信区间，再按15%年超越概率阈值把区间位置翻译成高、中、低风险。在CAMELS-AUS数据上，南澳对比中分位0.05的Quantile-LSTM取得最低RMSE 0.0801，常规LSTM为0.0963；跨州检测中峰值时间误差约1.94至3.12天，但峰值幅度普遍低估约30%。

澳大利亚流域的洪水预警改用分位数集成深度学习：三条独立训练的LSTM分别给出流量均值与5%、95%分位，把预测包成90%置信区间，再按15%年超越概率阈值把区间位置翻译成高、中、低风险。在CAMELS-AUS数据上，南澳对比中分位0.05的Quantile-LSTM取得最低RMSE 0.0801，常规LSTM为0.0963；跨州检测中峰值时间误差约1.94至3.12天，但峰值幅度普遍低估约30%。