陶春华，时焱红，王甫志

(1.国能大渡河大数据服务有限公司，四川 成都 610041；2.四川新能工程咨询有限公司，四川 成都 610000)

0 引 言

赵人俊教授提出的时变线性汇流模型[1]，在英那河[2]、丹江口[3]和俄日河等多个流域的河道径流演算中得到广泛应用，在半湿润半干旱地区应用效果较好。但其只考虑了预报断面之间的空间分布和时间传播，并未考虑区间降雨影响，降雨期预报结果较实际偏小。随着人工智能的兴起，机器学习广泛应用于洪水预报领域[4-5]。李天成等[6]学者基于流域产流机制，采用逐步回归分析法筛选出影响各月径流的主要因子，建立RBF神经网络模型，在逐月径流预测中进行了应用；杜开连等[7]学者采用多元线性回归和BP神经网络在秦淮河流域进行洪水预报应用，取得了较高的预报精度。本文充分考虑影响预报断面径流过程的区间因素，结合马瑜君等[8]学者的模型构建思路，构建基于机器学习的来水预报模型，并与已有模型和实测过程进行对比评定。预报结果表明，基于机器学习的线性回归模型(以下简称“LR模型”)和K邻近算法模型(以下简称“KNN模型”)，应用效果均优于传统的时变线性汇流模型。

1 样本集构建

俄日河系大渡河西源绰斯甲河右岸一级支流，全长128 km，流域面积1 910 km2，天然落差1 845 m，河道平均坡降1.44%。俄日河干流梯级水电规划开发方案自上而下依次为银恩、七家寨、俄日和红卫桥水电站，俄日和红卫桥水电站现已开发。2016年5月项目施工期水情测报系统(下文简称“系统”)投入运行，玉科、二楷、俄日、红卫桥水文站开始测流，玉科至二楷水文站区间河长约21 km(流域及遥测站网分布见图1)。……