科研之友
微信
新浪微博
Facebook
分享链接
摘要
提出了一种将Transformer与卷积神经网络(CNN)相结合的城区地下水位预测模型。Transformer模型能够提取地下水位在时间序列上包含的关键信息，有效提升了模型的长时间预测能力；CNN能获取相邻监测站点地下水位数据之间的空间关联信息，使信息的提取更加丰富。使用开源地下水位数据集对模型进行训练，并进行仿真验证。仿真结果表明，在预测未来12个时刻的地下水位值时，CNN-Transformer模型预测结果整体的均方根误差值相比于循环神经网络(RNN)系列模型从0.2507米降到0.1427米，在未来第12个时刻的均方根误差也仅为0.2309米，验证了上述模型能实现长时间高精度的地下水位预测。
-
单位电子工程学院
