本发明提供了波致海床瞬态液化对再悬浮贡献率的深度学习预测方法，将多变量时间序列矩阵数据按照一定的时间步长划分为3D张量格式。1D‑CNN可以从3D张量数据中提取特征，利用CNN的输出作为LSTM的输入，发挥LSTM的输入之间有一个很长的延迟和反馈，梯度既不会爆炸也不会消失的优点，进行时间序列的预测。使用原位观测的悬沙浓度和水动力条件数据，构建拟合了基于CNN‑LSTM的混合深度学习模型的波致海床瞬态液化对再悬浮贡献率模型，对侵蚀再悬浮沉积物的来源之一波致瞬态液化导致的再悬浮量进行预测。结合1D‑CNN自动提取多变量之间特征，以及LSTM自动提侵蚀再悬浮过程中的时间序列信息，最后通过捕捉各种再悬浮发生的变量相关性和时间序列相关性以得到更高的预测准确率。