顾乾晖，胡 翌，涂振宇

（1.南昌工程学院 信息工程学院，江西 南昌，330099；2.江西省赣抚平原水利工程管理局，江西 南昌，330096）

0 引言

水位预测的精确性对于防汛抗旱、航道管理和水资源调度与利用有着重大意义。河流水位具有复杂性、季节性、波动性等特点[1]。并且受到降水量、支流和气候变化等多种因素的影响，特别是近年来的异常气候，这使得对河流水位预测变得更加复杂、更加困难。

近些年，随着人工智能和大数据的快速发展，越来越多的学者利用机器学习和深度学习对水位进行预测。许国艳和朱进[2]等人利用CNN和MC组合模型对水位进行预测，并与其他模型进行对比，实验结果表明取得良好的效果。郭燕和赖军[3]把支流作为影响因子输入LSTM神经网络预测鄱阳湖水位，取得不错的精度。商其亚和程耀东[4]等人利用混沌粒子群优化SVM参数，以此来对水位进行预测。要震[5]等人利用遗传算法优化Elman模型对水位进行预测，实验结果表明精确度得到了提高。

在实际环境下，影响河流水位的因素众多，河流水文数据不仅呈现出非线性特征也有时序性、复杂性和波动性特征[6]。SVR虽然在捕捉非线性数据上表现出强大的能力，但无法考虑时序变化。同时影响水位数据因素众多并且水文数据中包含许多复杂和不确定信息，运用单一模型往往预测效果不理想。而LSTM神经网络不仅能处理多元变量之间的非线性映射关系，也能很好的处理时间序列数据[7]。

因此，为了更好的提高预测效果，本文首先利用PSO分别对SVR和LSTM这两种模型进行寻优，之后将优化后的SVR和LSTM这两种模型进行按比例组合。……