秦 鹏，陈 雨，卢文龙

（1.四川大学 电子信息学院，四川 成都610065；2.成都万江港利科技股份有限公司，四川 成都610041）

水文预报［1］旨在根据某一区域或某一水文站的历史水文气象数据对河流水文情势进行定性或定量预测，是防洪调度决策、生态环境保护、水资源综合开发利用等的重要依据。水文预报方法可分为传统方法和新方法两大类。传统的中长期预报方法主要是根据河川径流的变化具有连续性、周期性、地区性和随机性等特点来开展研究，主要有成因分析和水文统计方法［2］。ARIMA模型［3］的基本思想是通过差分消除序列中的趋势项，将非平稳序列转化为平稳序列，逐渐应用于水文预报［4-5］；李亚伟等［6］提出的SVR模型建立在VC维概念和结构风险最小化原理基础上，根据有限的样本信息在模型的学习精度和学习能力之间寻求最佳组合，也成功应用于水文预报。近年来，随着计算机技术的发展和新的数学方法的不断涌现，针对复杂的水文水资源时间序列问题，具有极强的自适应学习能力和非线性映射能力的深度神经网络方法应运而生，如人工神经网络（ANN）、递归神经网络（RNN）、卷积神经网络（CNN）以及长短时记忆网络（LSTM）。

水文数据是对大自然发生的水文情况实时、连续、长期观察记录的结果，具有序列性、实时性、海量性等特点。数据缺失在水文学研究中是一个常见的问题，其产生的原因多种多样，包括测量仪器的损坏、环境的干扰以及人工记录中的误差等［7］。数据缺失通常会降低水文模型统计分析的准确性［8］，甚至会造成对两个或多个变量之间的时序关系进行有偏的估计［9］。……