Page 111 - 2025年第56卷第2期

次分解、多变量输入、智能优化算法和深度学习相结合的神经网络的区间预测混合模型。实证结果表
明，该方法具有较高的预测效果，并得到了以下结论：
（１）在不进行序列分解和智能优化算法时，使用单一的 ＧＲＵ预测模型得到的预测结果拟合效果最
差；加入 ＶＭＤ分解模型后，预测模型精度将大大提高；如果对分量进行二次分解，预测精度将继续
提高；如果在上述模型的基础上加入 ＩＳＳＡ对参数进行调整，并引入 ＡＭ 机制，精度可提高 ３０％左右
（与单一 ＧＲＵ模型相比）。
（ ２）在点预测的基础上引入区间预测，其不确定性预测能够描述径流变化的范围、概率分布，较
点预测来说能够获得更为全面的预测信息。且使用 Ｇａｕｓｓｉａｎ核函数及其对应的窗宽表达式，在置信度
为 ９０％下进行区间预测，能够得到更精确的预测效果。
（３）本研究对径流数据进行了不同时间步长多周期的预测，当时间步长为 １ｄ时，预测精度最高；
当周期为长周期时（７ｄ及以上），预测精度与周期长度呈负相关；极短周期（小于 １ｄ）时，预测精度
与周期长度不呈明显线性关系。
（４）本研究对径流数据进行了洪水预测，并得出结论，基于 ＶＣＩＡＧ的模型预测效果最好，东津沱
站、武胜站、金溪站的 ＮＳＥ值分别为 ０．７３、０．９２和 ０．９２。利用本研究所提出的模型能够较为精准的预
测洪水发生的情况，有利于相关部门提前做好管控准备。
（ ５）本研究考察了各个输入变量在组合模型中对径流的具体贡献，较为清晰地揭示了模型内部的
运作机制。降水量的平均 ＳＨＡＰ 值为 １０．０５，是嘉陵江流域影响最大的特征变量。此外，平均气温的
平均 ＳＨＡＰ 值为 ８．５３，也是影响径流变化的重要特征变量。不仅如此，本研究也考虑了特殊情形下
对嘉陵江流域径流的影响。例如，７、８月份的高温条件可能导致嘉陵江流域干旱和缺水；而 １１月—
次年 ２月份的低温条件，导致径流产生的时滞增加。

参 考 文 献：

［ １］ 桑学锋，刘志武，王浩，等．长江水资源调配推演器构建与推演分析［Ｊ］．中国水利，２０２４（１）：６ － １１．
［ ２］ 刘昱辰，刘 佳，刘 录 三，等．基 于 ＬＳＴＭ 实 时 校 正 的 ＷＲＦ?ＷＲＦ － Ｈｙｄｒｏ耦 合 径 流 预 报 ［Ｊ］．水 利 学 报，
２０２３，５４（１１）：１３３４ － １３４６．
［ ３］ 王慧敏，宋松柏，张更喜．基于季节 长 记 忆 双 自 回 归 模 型 的 日 径 流 模 拟 ［Ｊ］．水 利 学 报，２０２３，５４（６）：
６８６ － ６９５．
［ ４］ ＳＵＲＡＢＯＹＩＮＡＳ，ＡＬＬＵＳＫ，ＡＮＵＰＯＪＵＧＲ，ｅｔａｌ．Ａｃｏｍｐａｒａｔｉｖｅｐｒｅｄｉｃｔｉｖｅａｎａｌｙｓｉｓｏｆｂａｃｋ － ｐｒｏｐａｇａｔｉｏｎａｒｔｉ
ｆｉｃｉａｌｎｅｕｒａｌｎｅｔｗｏｒｋｓａｎｄｎｏｎ － ｌｉｎｅａｒｒｅｇｒｅｓｓｉｏｎｍｏｄｅｌｓｉｎｆｏｒｅｃａｓｔｉｎｇｓｅａｓｏｎａｌｏｚｏｎｅｃｏｎｃｅｎｔｒａｔｉｏｎｓ ［Ｊ］．Ｊｏｕｒｎａｌｏｆ
ＥａｒｔｈＳｙｓｔｅｍ Ｓｃｉｅｎｃｅ ，２０２２，１３１（３）：１８９．
［ ５］ 胡作龙，高鹏．基于 ＥＥＭＤ － ＳＶＭ 模型的北洛河上游径流预测［Ｊ］．水土保持研究，２０２３，３０（４）：９８ － １０２．
［ ６］ ＪＡＳＭＩＮＳＡ，ＲＡＭＥＳＨＰ，ＴＡＮＶＥＥＲＭ．Ａｎｉｎｔｅｌｌｉｇｅｎｔｆｒａｍｅｗｏｒｋｆｏｒｐｒｅｄｉｃｔｉｏｎａｎｄｆｏｒｅｃａｓｔｉｎｇｏｆｄｉｓｓｏｌｖｅｄｏｘ
ｙｇｅｎｌｅｖｅｌａｎｄｂｉｏｆｌｏｃａｍｏｕｎｔｉｎａｓｈｒｉｍｐｃｕｌｔｕｒｅｓｙｓｔｅｍ ｕｓｉｎｇｍａｃｈｉｎｅｌｅａｒｎｉｎｇｔｅｃｈｎｉｑｕｅｓ ［Ｊ］．ＥｘｐｅｒｔＳｙｓｔｅｍｓ
ｗｉｔｈＡｐｐｌｉｃａｔｉｏｎｓ，２０２２，１９９：１１７１６０．
［ ７］ ＨＯＳＳＥＩＮＹＨ，ＮＡＺＡＲＩＦ，ＳＭＩＴＨ Ｖ，ｅｔａｌ．Ａｆｒａｍｅｗｏｒｋｆｏｒｍｏｄｅｌｉｎｇｆｌｏｏｄｄｅｐｔｈｕｓｉｎｇａｈｙｂｒｉｄｏｆｈｙｄｒａｕｌｉｃｓ
ａｎｄｍａｃｈｉｎｅｌｅａｒｎｉｎｇ［Ｊ］．ＳｃｉｅｎｔｉｆｉｃＲｅｐｏｒｔｓ，２０２０，１０（１）：８２２２．
［ ８］ ＨＵＡＮＧＧＢ，ＺＨＵＱＹ，ＳＩＥＷ ＣＫ．Ｅｘｔｒｅｍｅｌｅａｒｎｉｎｇｍａｃｈｉｎｅ：ｔｈｅｏｒｙａｎｄａｐｐｌｉｃａｔｉｏｎｓ［Ｊ］．Ｎｅｕｒｏｃｏｍｐｕｔｉｎｇ，
２００６，７０（１?３）：４８９ － ５０１．
［ ９］ 郭田丽，宋松柏，张特，等．基于两阶段粒子群优化算法的新型逐步分解集成径流预测模型［Ｊ］．水利学
报，２０２３，５３（１２）：１４５６ － １４６６．
［１０］ 邓超，陈春宇，尹鑫，等．融合数 据 同 化 与 机 器 学 习 的 流 域 径 流 模 拟 方 法 ［Ｊ］．水 科 学 进 展，２０２３，３４
（６）：８３９ － ８４９．
［１１］ 雷庆文，高培强，李建林．时 序 分 解 和 ＣＮＮ－ ＬＳＴＭ 相 融 合 的 月 径 流 预 报 模 型 ［Ｊ］．长 江 科 学 院 院 报，
２０２３，４０（６）：４９ － ５４．
［１２］ ＷＵＪ，ＷＡＮＧＺ，ＨＵＹ，ｅｔａｌ．Ｒｕｎｏｆｆｆｏｒｅｃａｓｔｉｎｇｕｓｉｎｇｃｏｎｖｏｌｕｔｉｏｎａｌｎｅｕｒａｌｎｅｔｗｏｒｋｓａｎｄｏｐｔｉｍｉｚｅｄｂｉ － ｄｉｒｅｃ

— ２ ５ １ —