针对传统预测方法难以兼顾时序特征与环境荷载建模等问题，综合利用一维卷积神经网络(1D-CNN)、Transformer、主成分分析(PCA)和极限学习机(ELM)

提出一种土石坝渗透压力的组合预测模型。该模型以“时序预测—荷载修正—组合输出”为建模框架，首先利用1D-CNN提取渗透压力序列的局部时序特征并结合Transformer编码器捕捉长期依赖关系，输出渗透压力的初步预测值；其次采用PCA对环境荷载特征进行降维处理以消除多重共线性；最后通过ELM建立荷载主成分与残差的映射关系以动态修正预测结果。工程实例表明，在初步预测阶段，CNN-Transformer的残差分布较消融模型更为集中，进一步引入PCA-ELM修正后，均方根误差和平均绝对误差较初步预测分别下降21.2%、19.5%

决定系数提升至0.991 6

证明了该组合模型的有效性。此外，与基于时序和因果建模的两类基线模型相比，该模型实现了时间特征提取与荷载作用表征的有效组合，在多测点渗透压力预测中泛化能力更强，该模型为土石坝安全监控提供了新的技术手段。