Page 122 - 《水资源与水工程学报》2025年第1期

!３６ "!１ # & ' ( ) & * + , - Ｖｏｌ．３６Ｎｏ．１
２０２５ $ ２ % ＪｏｕｒｎａｌｏｆＷａｔｅｒＲｅｓｏｕｒｃｅｓ＆ＷａｔｅｒＥｎｇｉｎｅｅｒｉｎｇ Ｆｅｂ．，２０２５

ＤＯＩ：１０．１１７０５／ｊ．ｉｓｓｎ．１６７２－６４３Ｘ．２０２５．０１．１３

Ôãä匵¦W ＢｉＴＣＮ－Ａｔｔｅｎｔｉｏｎ－ＬＳＳＶＭfOMN

１，２，３ １，３ １，３ １，３ １，２，３
†‡ˆ ， q‰V ， |yŠ ， ,‹Œ ，  Ž
（１． ¼F—õa0 Zb0G， ¼F Á¤ ６５０２０１；２． E9a0 Zþ á9!?@pqr， ¡Á FU ２１００９８；
３． ¼Ff4–ºZbCDá✦CDAB4•， ¼F Á¤ ６５０２０１）
> ?： ¯§4Æp€0iº¦ÿ„Ï@íêÏcֈ{©ªô©éÞstžª:?WÑ{ª³， –#¯}
.%ƒœÔÏ@ø̵Ÿ¶·（ＢｉＴＣＮ）、 ډ'p´（Ａｔｔｅｎｔｉｏｎ） žz–_I¤¡Ôp（ＬＳＳＶＭ） {è,<½Jðñ
¿/iº。uiºb• ＢｉＴＣＮX¨、 P–f€Ô©*Ï@íê4{ô©éÞst， £ç Ａｔｔｅｎｔｉｏｎ p´‘xiº'Ú
ƒcðñ’s{sîª:Â7， À° ＢｉＴＣＮ－Ａｔｔｅｎｔｉｏｎ æ~ÿ„P{Â7Àç ＬＳＳＶＭiº4ÆÇðñ， zPÖ ２ f
‹Ò{íêþµ¶¯iº{ðñ{«。ò µ¶S¤： c ＬＳＳＶＭ、ＣＮＮ－ＬＳＳＶＭž ＴＣＮ－ＬＳＳＶＭ’6，ＢｉＴＣＮ－Ａｔ
ｔｅｎｔｉｏｎ－ＬＳＳＶＭiºðñ{Á(³´ü†3z»， ¦è,<ñ&œZ¦ðñ490#¢é{iºß~ží·Ñ；
ＢｉＴＣＮc Ａｔｔｅｎｔｉｏｎ {’“®/ȯ¢Ý4–+Ï@íê4{’“éÞst， ° ＢｉＴＣＮ－Ａｔｔｅｎｔｉｏｎ –+{Â7Àç
ＬＳＳＶＭ4ÆÇðñ›*t[Ý{ðñÑÈ， íêþÃ^ÿ„Pˆ{–é¯iº{0È'。
1@A： è,<ñ&œZ¦； ½Jðñ； œÔÏ@ø̵Ÿ¶·； ډ'p´； z–_I¤¡Ôp
BC<DE：ＴＶ６９８．１１ FGHIJ：Ａ FKLE：１６７２６４３Ｘ（２０２５）０１０１１８１１

ＢｉＴＣＮ－Ａｔｔｅｎｔｉｏｎ－ＬＳＳＶＭ Ｍｏｄｅｌｉｎｇｆｏｒｓｅｅｐａｇｅ
ｐｒｅｄｉｃｔｉｏｎｏｆｅａｒｔｈ －ｒｏｃｋｄａｍｓ

１，３
１，３
１，３
ＦＵＳｈｕｙａｎ １，２，３ ，ＹＡＮＧＳｈｉｙｏｎｇ ，ＣＨＥＮＤｅｈｕｉ ，ＷＡＮＧＺｉｘｕａｎ ，ＯＵＢｉｎ １，２，３
（１．ＣｏｌｌｅｇｅｏｆＷａｔｅｒＣｏｎｓｅｒｖａｎｃｙ，ＹｕｎｎａｎＡｇｒｉｃｕｌｔｕｒａｌＵｎｉｖｅｒｓｉｔｙ，Ｋｕｎｍｉｎｇ６５０２０１，Ｃｈｉｎａ；２．ＮａｔｉｏｎａｌＫｅｙＬａｂｏｒａｔｏｒｙｏｆ
ＷａｔｅｒＤｉｓａｓｔｅｒＰｒｅｖｅｎｔｉｏｎ，ＨｏｈａｉＵｎｉｖｅｒｓｉｔｙ，Ｎａｎｊｉｎｇ２１００９８，Ｃｈｉｎａ；３．ＲｅｓｅａｒｃｈＣｅｎｔｅｒｆｏｒＳｍａｒｔＭａｎａｇｅｍｅｎｔａｎｄ
ＭａｉｎｔｅｎａｎｃｅｏｆＳｍａｌｌａｎｄＭｅｄｉｕｍＳｉｚｅｄＷａｔｅｒＣｏｎｓｅｒｖａｎｃｙＰｒｏｊｅｃｔｓｉｎＹｕｎｎａｎＰｒｏｖｉｎｃｅ ，Ｋｕｎｍｉｎｇ６５０２０１，Ｃｈｉｎａ）
Ａｂｓｔｒａｃｔ：Ｃｏｎｖｅｎｔｉｏｎａｌｍａｃｈｉｎｅｌｅａｒｎｉｎｇｍｏｄｅｌｓｏｆｔｅｎｆａｉｌｔｈｅｔａｓｋｏｆｉｄｅｎｔｉｆｙｉｎｇｌｏｎｇｔｅｒｍ ｄｅｐｅｎｄｅｎｃｉｅｓ
ａｎｄｌｏｃａｌｉｍｐｏｒｔａｎｃｅｗｈｅｎｄｅａｌｉｎｇｗｉｔｈｔｉｍｅｓｅｒｉｅｓｄａｔａ．Ｔｏａｄｄｒｅｓｓｔｈｉｓｐｒｏｂｌｅｍ ，ｗｅｐｒｏｐｏｓｅｄａｃｏｕｐｌｅｄ
ｍｏｄｅｌｆｏｒｓｅｅｐａｇｅｐｒｅｄｉｃｔｉｏｎｏｆｅａｒｔｈａｎｄｒｏｃｋｄａｍｓｂａｓｅｄｏｎｂｉｄｉｒｅｃｔｉｏｎａｌｔｅｍｐｏｒａｌｃｏｎｖｏｌｕｔｉｏｎａｌｎｅｔｗｏｒｋ
（ＢｉＴＣＮ），ａｔｔｅｎｔｉｏｎｍｅｃｈａｎｉｓｍ （Ａｔｔｅｎｔｉｏｎ），ａｎｄｌｅａｓｔｓｑｕａｒｅｓｓｕｐｐｏｒｔｖｅｃｔｏｒｍａｃｈｉｎｅ（ＬＳＳＶＭ）．Ｔｈｅ
ｍｏｄｅｌｕｓｅｓＢｉＴＣＮｔｏｃａｐｔｕｒｅｔｈｅｌｏｎｇｔｅｒｍ ｄｅｐｅｎｄｅｎｃｉｅｓｉｎｔｈｅｔｉｍｅｓｅｒｉｅｓｄａｔａｆｒｏｍ ｂｏｔｈｆｏｒｗａｒｄａｎｄ
ｂａｃｋｗａｒｄｄｉｒｅｃｔｉｏｎｓ ，ｉｎｔｒｏｄｕｃｅｓｔｈｅａｔｔｅｎｔｉｏｎｍｅｃｈａｎｉｓｍｔｏｈｅｌｐｔｈｅｍｏｄｅｌｆｏｃｕｓｏｎｔｈｅｋｅｙｌｏｃａｌｆｅａｔｕｒｅｓ
ｒｅｌａｔｅｄｔｏｔｈｅｐｒｅｄｉｃｔｉｏｎ，ａｎｄｉｎｐｕｔｓｔｈｅｄｅｅｐｌｙｐｒｏｃｅｓｓｅｄＢｉＴＣＮ－ＡｔｔｅｎｔｉｏｎｆｅａｔｕｒｅｓｉｎｔｏｔｈｅＬＳＳＶＭｍｏｄｅｌ
ｆｏｒｂｅｔｔｅｒｐｒｅｄｉｃｔｉｏｎｒｅｓｕｌｔｓ．Ｔｏａｎａｌｙｚｅｔｈｅｐｒｅｄｉｃｔｉｏｎｅｆｆｅｃｔ，ｔｈｅｍｏｄｅｌｗａｓｕｓｅｄｔｏｐｒｏｃｅｓｓｔｗｏｄｉｆｆｅｒｅｎｔ
ｄａｔａｓｅｔｓ．ＴｈｅｒｅｓｕｌｔｓｏｆｃａｓｅａｎａｌｙｓｉｓｓｈｏｗｔｈａｔｃｏｍｐａｒｅｄｗｉｔｈＬＳＳＶＭ，ＣＮＮ－ＬＳＳＶＭａｎｄＴＣＮ－ＬＳＳＶＭ，
ｔｈｅｅｖａｌｕａｔｉｏｎｉｎｄｅｘｅｓｏｆＢｉＴＣＮ－Ａｔｔｅｎｔｉｏｎ－ＬＳＳＶＭ ｍｏｄｅｌａｒｅｔｈｅｂｅｓｔ，ａｎｄｔｈｅｐｒｏｐｏｓｅｄｍｏｄｅｌｓｈｏｗｓ
ｈｉｇｈｅｒａｃｃｕｒａｃｙａｎｄｓｔａｂｉｌｉｔｙｉｎｔｈｅｐｒｅｄｉｃｔｉｏｎｏｆｐｉｅｚｏｍｅｔｅｒｗａｔｅｒｌｅｖｅｌｉｎｔｈｅｅａｒｔｈ－ｒｏｃｋｄａｍ．Ｔｈｅｃｏｍｂｉ
ｎａｔｉｏｎｏｆＢｉＴＣＮａｎｄＡｔｔｅｎｔｉｏｎｃａｎｂｅｔｔｅｒｅｘｔｒａｃｔｔｈｅｉｎｔｅｒｄｅｐｅｎｄｅｎｃｅｒｅｌａｔｉｏｎｓｈｉｐｉｎｔｉｍｅｓｅｒｉｅｓｄａｔａ．Ｉｎｐｕｔ
ｔｉｎｇｔｈｅｆｅａｔｕｒｅｓｅｘｔｒａｃｔｅｄｂｙＢｉＴＣＮ－ＡｔｔｅｎｔｉｏｎｉｎｔｏＬＳＳＶＭ ｆｏｒｐｒｅｄｉｃｔｉｏｎｃａｎａｃｈｉｅｖｅｂｅｔｔｅｒｐｒｅｄｉｃｔｉｏｎ
ｐｅｒｆｏｒｍａｎｃｅ．Ａｆｔｅｒｔｈｅｄａｔａｓｅｔｉｓｅｘｐａｎｄｅｄ ，ｔｈｅｌｅａｒｎｉｎｇａｂｉｌｉｔｙｏｆｔｈｅｍｏｄｅｌｉｓｅｆｆｅｃｔｉｖｅｌｙｉｍｐｒｏｖｅｄ．
Ｋｅｙｗｏｒｄｓ：ｐｉｅｚｏｍｅｔｅｒｗａｔｅｒｌｅｖｅｌｉｎｅａｒｔｈ－ｒｏｃｋｄａｍ；ｓｅｅｐａｇｅｐｒｅｄｉｃｔｉｏｎ；ｂｉｄｉｒｅｃｔｉｏｎａｌｔｅｍｐｏｒａｌｃｏｎｖｏｌｕｔｉｏｎ

!"#$：２０２４０７２６； %&#$：２０２４１０３１
'()*： !"wx#0%»(3（５２０６９０２９、５２３６９０２６）；“ }¨}Ç” Zc›¡¢89#$%»]x(3（２０２３４９０４１１）；
¼Ff—õ%&ABo/'(r¬(3（２０２４０１ＢＤ０７０００１０７１）
+,-.： •.(（１９７６—）， Æ， ¼F:/N， OP， QR， ÈPSTU， AB€ÔCD'0cZß89œ„。
qr+,： A ƒ（１９８３—）， K， ±FÁ¯N， OP， QR， ÈPSTU， AB€ÔZC®X89b¾c½¾0-。