周勇强，朱跃龙

(河海大学计算机与信息学院,江苏 南京 211100)

0 引 言

水文时间序列是指水位、流量等指标随着时间变化而产生的一系列观测值。水文时间序列预测能够为水利工程的建设提供有效的设计指导和控制，为水资源的优化配置和合理开发提供科学的决策和规划。

近几十年来，随着大数据和人工智能时代的到来，水文时间序列预测技术也在不断地发展起来，国内外研究者提出了很多经典的传统预测模型、神经网络预测模型以及各种优化算法，极大地推动了水文时间序列领域的蓬勃发展。在20世纪70年代时，Box等[1]对自回归模型(AR)、自回归移动平均模型(ARMA)和自回归综合移动平均模型(ARIMA)进行了系统的介绍和表述，由于其结构简单的特点，因此被广泛应用于时间序列数据分析和预测。商其亚等[2]利用时间序列分析中的ARIMA模型对民勤地下水位主要影响因子的人口、耕地面积、大牲畜存栏、上游来水量4个指标进行预测，对类似地区的地下水位预测有一定的参考价值。Yu等[3]基于进化算法(Evolutionary Algorithm, EA)，将混沌理论与支持向量机(Support Vector Machine, SVM)相结合，提出了EC-SVM模型，用于丹麦流域和维克斯堡河日径流预报，所提出的EC-SVM模型优于标准混沌、SVM和ARIMA模型。Yadav等[4]采用小波变换(Wavelet Transform, WT)和SVM对湖泊水量日变化进行预测，以湖泊日水位和其他水文气象数据作为输入，进行了多种组合试验，得到了最佳模型结构并将其推广应用于湖泊水位预测。Atiquzzaman等[5]将极限学习机(Extreme Learning Machine, ELM)应用于水文流量序列建模，并与基于遗传算法和进化算法的SVM进行性能比较。……