刘 鑫，桑学锋，常家轩，郑 阳

(1.华北水利水电大学水利学院，河南 郑州 450046；2.中国水利水电科学研究院水资源管理研究室，北京 100038)

0 引 言

水文预测在水库蓄水、城市供水调度策略及灌溉等工作中具有非凡的意义，是水利机构或其工作人员进行决策时的关键参考，因此能够精准预测显得十分重要。为了提高水文预测的精度和可靠性，很多学者从不同角度通过学科交叉，提出了很多先进的方法，如灰色[1-2]、人工神经网络[3]、回归[4-5]、时间序列[6-7]、深度学习[8-9]等模型。通过数据驱动的方式可以不受物理环境的影响，建立数据间潜在的特征关系；通过自学习自调参实现对过去规律延伸同时，还能通过模型自组织自适应特性，在预测时进行修正，从而使模型能够较好地预测未来。

但是在长期预测中，时间序列存在较大波动，加上噪声的影响，使得一些数据驱动模型在长期预测中的性能恶化，预测结果的误差较大；甚至有概率出现预测值全部在中位数附近波动，从而无法为决策者提供有价值的信息。通过大量研究及实验发现，模型在长期预测中泛化能力变差有以下3个重要因素：一，模型的初始化结果对模型整个训练过程及模型泛化能力的影响较大，可以说一个好的初始化可以大大减少模型的调参时间，甚至不需要很多先进算法的支撑就可以较好拟合。因此，有学者致力于模型的初始化过程，使用启发式算法进行预调参，优化初始化过程。但在模型训练过程中，寻优方向具有较大随机性从而并不能解决根本问题。……