胡顺强，崔东文

(1.云南省文山州水利电力勘察设计院，云南 文山 663000；2.云南省文山州水务局，云南 文山 663000)

水文预报常表现出高噪声、动态、非线性等多重特性，研究具有较好预报精度的模型及方法目前仍是水文预报工作的重要内容。近年来，随着人工智能技术的迅速发展，BP神经网络[1-2]、GRNN神经网络[3]、Elman神经网络[4]、RBF神经网络[5]、支持向量机[6-7]、随机森林[8-9]、极限学习机[10]、神经模糊推理系统等[11]有别于传统回归分析的模型及方法已在径流预测研究中得到应用。长短期记忆(long-short term memory，LSTM)神经网络作为循环神经网络(recurrent neural network，RNN)的一个变种，克服了RNN面临的梯度消失问题，具有选择性通过新信息和选择性删除旧信息等功能，已在问题分类[12]、地下水水位预测[13]、网络流量预测[14]、股票价格预测等[15]领域得到广泛应用。LSTM优点在于适合处理与时间序列高度相关的问题，不足之处在于计算量大、耗时长。自适应神经模糊推理系统(adaptive network based fuzzy inference system，ANFIS)有机融合了神经网络的学习机制和模糊系统的语言推理能力等优点，具有较强的学习能力和表达能力，已在风电出力[16]、发电功率[17]、蓄电池[18]预测及优化控制[19]、故障诊断等[20]领域得到应用。ANFIS通过将神经网络与模糊推理有机结合起来，既发挥二者优点，又弥补各自不足，具有较好的应用效果，尤其是在消除噪声干扰、提高预测精度等方面具有广泛的应用。

径流时间序列预测是指利用径流历史数据建立预测模型来挖掘径流的变化规律，是径流预测研究中的重要内容。由于径流时间序列预测受天文、气象、地理和人类活动的影响，变化十分复杂，传统LSTM、ANFIS单一模型已不能满足径流时间序列预测的精度需求。……