翁茂峰，刘莹莹，寇思飞，梁 曦，刘蕊蕊

(1.中国电建集团西北勘测设计研究院有限公司,西安 710065;2.陕西省水利电力勘测设计研究院,西安 710001)

0 前 言

水文计算工作常需较长系列的水文资料。随着系列长度的增加，水文计算准确性越高。由于水文站迁移、特殊原因撤站、水利工程建设等影响因素，导致无法保证水文系列中的连续[1]，而且常规的水文分析方法在预测缺失系列数据时，存在一定的缺陷[2-3]。传统的插补延长方法是基于同一流域不同水文站之间存在线性关系得以使用，但不同水文站数据受到许多因素的影响，可能存在非线性关系。因此，需要新的方法来实现有效的水文系列插补延长。

在过去的几十年中，机器学习(ML)[4]技术已被证明是解决具有多参数的非线性回归和分类问题的强大统计工具。它可通过学习以前的事件来制定输入属性和输出目标之间的潜在相关性，而无需进行显式编程。近年来，学者们已经普遍认识到机器学习算法(MLA)的效率优于线性统计方法。机器学习算法中能用于数据分析预测的模型包括增强回归树、分类、回归树、多元自适应回归样条、支持向量机、随机森林、和混合判别分析等，并且类似的新颖算法已在其他领域成功实现[4-6]。

在这些新算法中，支持向量机回归(SVR)、BP神经网络和XGBoot模型都具有较好的效果。其中支持向量机回归(SVR)[4-5]遵循SVM的回归策略，该策略已被广泛应用于山洪和洪水阶段的预测，洪水频率，滑坡和水位。BP神经网络[6]是较为常用的人工神经网络，具有较好的预测性能。……