基金项目:国家自然科学基金项目(61675180);企业合作项目“液位监测系统研发”(校合-2021-KYY-546001-0003)收稿日期:2021-08-02修回日期:2021-08-10第40卷第4期计算机仿真2023年4月文章编号:1006-9348(2023)04-0492-07基于CNN-Transformer的城区地下水位预测冯鹏宇,金韬,沈一选,但俊(浙江大学信息与电子工程学院,浙江杭州310027)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。关键词:地下水位预测;深度时序模型;卷积神经网络中图分类号:TP391.9文献标识码:BPredictionofUrbanGroundwaterLevelBasedonCNN-TransformerFENGPeng-yu,JINTao,SHENYi-xuan,DANJun(CollegeofInformationScienceandElectronicEngineering,ZhejiangUniversity,HangzhouZhejiang310027,China)ABSTRACT:AmethodbasedonTransformerandConvolutionalNeuralNetwork(CNN)isproposedforurbangroundwaterlevelprediction.ThekeyinformationcanbeextractedfromthetimeseriesofthegroundwaterlevelbytheTransformermodel,thusimprovingthelong-termpredictiveabilityofthemodel.ThespatialcorrelatedinformationofthegroundwaterlevelsatadjacentmonitoringstationscanbeobtainedbyCNN,whichenrichestheextractedinforma-tion.Weusetheopen-sourcegroundwaterleveldatasettotrainthemodelandperformsimulationverification.Thesimulationresultsshowthattheoverallrootmeansquareerrorvalueofthepredictedgroundwaterlevelatthenext12consecutivemomentsbytheCNN-Transformermodelisreducedfrom0.2507mto0.1427mcomparedtothatbytheRecurrentNeuralNetwork(RNN)seriesmodel,andtherootmeansquareerroratthe12thmomentinthefutureisonly0.2309m.TheresultindicatesthattheCNN-Transformergroundwaterlevelpredictionmodelcanrealizelong-termandhigh-precisionground...
