基于CNN-Transformer的黄河水质参数并行预测模型OA
针对传统水质参数预测方法在处理复杂非线性水质参数变化时精度不足的问题,基于水质参数变化的周期性和非线性特征,提出一种基于CNN-Transformer的黄河水质参数并行预测模型,对2020—2025年黄河流域七里铺监测断面的溶解氧、高锰酸盐指数、氨氮、总磷进行预测。模型将监测数据并行输入CNN(卷积神经网络)模块和Transformer模块,分别提取局部细节特征和全局动态特征,利用全连接层将融合特征映射至预测结果。对比CNN-Transformer模型与RNN(循环神经网络)、CNN、LSTM(长短期记忆网络)、Transformer模型的预测性能,结果表明,与其他4种模型相比,CNN-Transformer模型的MSE减小了3.93%~10.96%,RMSE减小了5.82%~9.33%,MAE减小了12.44%~14.48%,R^(2)增大了6.56%~26.65%,其表现出优异的性能。
王超梁;郭荣幸;赵雪专;王军;赵妮媛;陈济民
郑州航空工业管理学院计算机学院,河南郑州450046郑州航空工业管理学院计算机学院,河南郑州450046郑州航空工业管理学院计算机学院,河南郑州450046 河南省人工智能技术校企研发中心,河南郑州450046郑州航空工业管理学院计算机学院,河南郑州450046郑州航空工业管理学院计算机学院,河南郑州450046黄河水利委员会信息中心,河南郑州450004
资源环境
水质参数并行预测CNN-Transformer模型黄河
《人民黄河》 2026 (3)
P.152-156,5
河南省重点研发专项(231111212000)河南省高等学校重点研发计划项目(24A520051)河南省科技攻关项目(242102210180,242102210150,252102210034)航空科学基金资助项目(20230001055002)。
评论