Page 100 - 2025年第56卷第2期

水 利 学 报

２０２５年 ２月 ＳＨＵＩＬＩ ＸＵＥＢＡＯ 第 ５６卷 第 ２期

文章编号：０５５９ － ９３５０（２０２５）０２ － ０２４０ － １４

基于深度学习集合优化模型的径流区间预测研究

１
１
２
黄靖涵 ，王兆才 ，吴俊豪 ，姚之远 １
（１．上海海洋大学 信息学院，上海 ２０１３０６；２．华东师范大学 河口海岸学国家重点实验室，上海 ２００２４１）

摘要：由于极端天气事件趋多趋强和径流变化的复杂性，实现准确的径流预测具有挑战性，且以往研究多基于确
定数值的点预测，难以考虑不确定性影响，导致预测结果缺乏实用性。本研究开发了基于气象和水文变量的径流
区间预测深度学习集合模型。首先通过皮尔逊相关系数（ ＰＣＣ）筛选出影响径流的关键驱动变量；接着将原始数据
通过变分模态分解（ＶＭＤ）分解为多个模态分量（ＩＭＦｓ）；然后利用互补集合经验模态分解法（ＣＥＥＭＤ）对分量进行
二次分解，捕捉更多的数据细节；径流的点预测结果由融合注意力机制的门控循环单元（ ＡＭ－ ＧＲＵ）来取得，并使
用改进的麻雀优化算法（ ＩＳＳＡ）优化 ＧＲＵ的学习率、隐藏层维数等超参数以提升模型性能；最后，引入了非参数
核密度估计（ＮＫＤＥ）进行径流区间预测。采用构建的组合模型 ＶＭＤ － ＣＥＥＭＤ － ＩＳＳＡ － ＡＭ－ ＧＲＵ（ＶＣＩＡＧ）对嘉陵江流
域的 ９个水文站点进 行 多 期 预 测。计 算 结 果 表 明：本 文 模 型 在 短 期 尺 度 表 现 优 异，多 个 站 点 的 纳 什 效 率 系 数
（ ＮＳＥ）接近 １；在洪水预报方面，模型在东津沱站、武胜站、金溪站的 ＮＳＥ分别为 ０．７３、０．９２和 ０．９２；此外，通
过沙普利值法（Ｓｈａｐｌｅｙ）量化了输入变量对径流的影响。本研究提出的 ＶＣＩＡＧ模型不仅在径流点预测精度方面表
现出色，而且在不确定性的区间预测方面也有显著优势，可为管理者提供更加准确、可靠的径流信息，从而在实
践中更好地支持径流风险评估和科学决策方案的制定。
关键词：深度学习集合模型；径流区间预测；模态分解；改进的麻雀优化算法；注意力机制
类
８
图
分
号
３
Ｐ
：
３
中
文献标识码：Ａ ｄｏｉ：１０．１３２４３?ｊ．ｃｎｋｉ．ｓｌｘｂ．２０２４０１６８
１ 研究背景
由于水文过程的复杂性、多样性和不确定性，使得径流成为一个高度非线性的变化过程。受气候
变化和人类活动的双重影响，水文系统的变化特征更加难以捕捉。因此，研究径流的演化规律和趋
势，深入了解流域内水循环与水平衡，对流域内水资源进行合理开发与利用具有重要的意义 ［１］ 。
径流预测的方法主要包括物理水文模型、统计预测模型和人工智能预测模型。物理水文径流预测
模型需要对流域形态、下垫面条件、气象条件等复杂特征进行概化处理，设计若干有物理依据的方程
组或经验公式来描述复杂的流域水文变化过程。由于物理水文模型参数选取困难、运行效率和预测精
度较低，限制了该类模型的广泛应用 ［２］ 。径流统计预测模型是通过对历史径流数据的统计分析来预测
未来径流变化趋势，但基于统计学预测模型的预测方法对于输入特征的分辨率和数据质量有着较高的
要求，这无形中增加了径流预测难度，降低了预测精准度 ［３］ 。
如今人工智能模型可以精确地解决多种复杂因素和非线性问题，在复杂耦合关系建模方面具有更
强的响应速度、学习能力和更好的性能 ［４］ ，其中机器学习（ＭａｃｈｉｎｅＬｅａｒｎｉｎｇ，ＭＬ）模型以其易于实现
和理解、理论 成 熟 等 优 点 被 广 泛 应 用 于 预 测 领 域。常 见 的 机 器 学 习 模 型 包 括 支 持 向 量 机 （Ｓｕｐｐｏｒｔ

收稿日期：２０２４ － ０３ － ２５；网络首发日期：２０２５ － ０１ － １３
网络首发地址：ｈｔｔｐｓ：??ｌｉｎｋ．ｃｎｋｉ．ｎｅｔ?ｕｒｌｉｄ?１１．１８８２．ＴＶ．２０２５０１１０．１７０７．００１
基金项目：国家自然科学基金项目（１１７０１３６３，５２２７９０７９）；中国水利水电科学研究院流域水循环模拟与调控国家重点实验室开放
研究基金项目（ ＩＷＨＲ － ＳＫＬ － ２０１９０５）；水利部泥沙科学与北方河流治理重点实验室开放基金项目（ＩＷＨＲ － ＳＥＤＩ － ２０２３ － １０）
作者简介：黄靖涵（ ２００３ － ），硕士生，主要从事不确定性预测研究。Ｅ － ｍａｉｌ：１３１２２１３８６８５＠１６３．ｃｏｍ
通信作者：王兆才（１９７９ － ），博士，副教授，主要从事水文预测研究。Ｅ － ｍａｉｌ：ｚｃｗａｎｇ＠ｓｈｏｕ．ｅｄｕ．ｃｎ

０
— ２ ４ —