Short-Term Daily Univariate Streamflow Forecasting Using Deep Learning Models

Table 4

Performance comparison of the proposed models for different input time lags in Borkena station.

Borkena	T + 1					T + 2					T + 3					T + 4
	RMSE	MAE	MAPE	R^2	TTPE (sec)	RMSE	MAE	MAPE	R^2	TTPE (sec)	RMSE	MAE	MAPE	R^2	TTPE (sec)	RMSE	MAE	MAPE	R^2	TTPE (sec)
MLP	1.09	0.47	0.85	0.98	0.24	0.89	0.38	0.76	0.99	0.16	1.06	0.35	0.19	0.98	0.12	0.81	0.29	0.34	0.99	0.29
GRU	1.15	0.64	0.84	0.98	1.29	0.85	0.31	0.16	0.99	0.79	0.91	0.35	0.18	0.98	0.99	1.35	0.69	1.41	0.97	1.31
S-LSTM	1.07	0.38	0.29	0.98	0.30	0.87	0.36	0.26	0.99	0.54	1.02	0.64	0.99	0.98	0.81	1.53	0.96	1.72	0.96	0.58
Bi-LSTM	1.06	0.39	0.31	0.98	0.88	0.90	0.46	0.76	0.99	1.55	1.12	0.51	0.95	0.98	1.55	0.98	0.44	0.53	0.98	5.3

TTPE(training time per epochs). The bold values indicate the best performance score for each time lag.