TopoFormer：融合Transformer和ConvLSTM的海岸地形预测
信号处理
2025-01-14 v1 人工智能
摘要
本文提出了\textit{TopoFormer}，一种新颖的混合深度学习架构，它集成了基于Transformer的编码器和卷积长短期记忆（ConvLSTM）层，用于精确预测参考高程基准的海滩地形剖面，特别关注平均大潮低潮（MLWS）和平均小潮低潮（MLWN）。精确的地形估计至MLWS对于海岸管理、航行安全和环境监测至关重要。利用威尔士海岸监测中心（WCMC）的全面数据集，包含36个海岸调查单元的2000多次调查，TopoFormer解决了地形预测中的关键挑战，包括时间变异性和调查测量中的数据缺失。该架构独特地结合了多头注意力机制和ConvLSTM层，以捕捉海滩剖面数据中固有的长程依赖和局部时间模式。TopoFormer的预测性能与最先进的模型（包括DenseNet、1D/2D CNN和LSTM）进行了严格评估。虽然所有模型都表现出强大的性能，但\textit{TopoFormer}实现了最低的平均绝对误差（MAE），低至2厘米，并且在分布内（ID）和分布外（OOD）评估中均提供了卓越的准确性。
引用
@article{arxiv.2501.06494,
title = {TopoFormer: Integrating Transformers and ConvLSTMs for Coastal Topography Prediction},
author = {Santosh Munian and Oktay Karakuş and William Russell and Gwyn Nelson},
journal= {arXiv preprint arXiv:2501.06494},
year = {2025}
}
备注
11 pages, 5 figures, 1 table