基于注意力机制的循环卷积方法在长江感潮河段潮位预测中的应用
张典豪1
冯思敏1
吴艳鸣2
1.南通大学,226000,南通2.江苏省水文水资源勘测局 南通分局,226000,南通
摘要：针对传统潮位预测模型在水文特征深度提取和长时序依赖关系建模中的不足,研究构建了融合深度学习技术的预测方法,以提升长江下游复杂水文条件下的潮位预报精度.基于卷积神经网络(CNN)、双向长短期记忆网络(BiLSTM)与transformer的协同机制,提出CNN-BiLSTM-transformer耦合模型,模型采用CNN提取水位序列多尺度空间特征,通过BiLSTM捕捉双向时序关联,并引入transformer注意力机制解析长程依赖关系.基于天生港潮位站2012-2024年逐时观测数据开展实证研究,结果表明,在24 h、48 h、60 h、80 h预见期下,模型的均方根误差(MSE)较BiLSTM基准模型分别降低了88.38%、89.85%、91.04%、93.90%.随着预测周期的延长,模型预测精度进一步提升,验证了模型在长周期预测中的有效性.这主要得益于时空耦合注意力机制对空间和时间依赖性的协同建模,以及transformer注意力机制对长程依赖关系的有效捕捉.本模型有效解决了水文预测中的时空特征耦合难题,其预测成果可为长江口防洪调度提供高精度的决策支持.
关键词：潮位预测卷积神经网络(CNN)循环神经网络双向长短期记忆神经网络(BiLSTM)自注意力模型(transformer)长江下游潮位
分类号：TV882.2(治河工程与防洪工程)P731.34(海洋基础科学)TP183(自动化基础理论)
论文发表日期：2025-07-30
在线出版日期：2025-08-15（本平台首次上网日期，不代表文献的发表时间）
页数：9( 47-55 )
英文信息