基于指数核函数高斯过程回归的短期径流预测研究.pdf

中国农村水利水电China Rural Water and H基于指数核函数高斯过程回归的短期径流预测研究何中政1，3，方丽1，刘万2，迟英凡1，王永强2，付吉斯1，3，熊斌1，3（1.南昌大学工程建设学院，江西 南昌 330031；2.长江水利委员会长江科学院，湖北 武汉 4 30010；3.南昌大学 鄱阳湖环境与资源利用教育部重点实验室，江西 南昌 330031）摘要：径流预测有助于流域水资源综合高效调配和防洪减灾调度，如何精准地开展短期径流预测一直是水文水资源研究领域的重点。高斯过程回归（GPR）凭借其针对复杂非线性回归问题的泛化能力，已在水文过程长中短期预测研究中得到成功应用。而GPR回归分析能力不仅取决于模型参数，还受核函数影响。为此，研究分析了不同核函数作用下GPR预测模型效果，提出了基于指数核函数GPR的流域短期径流预测模型。首先通过多重相关性系数分析筛选相关性系数大且时段最短的预测因子组合，然后分别选用有理二次、径向基、马顿和指数核函数建立不同的GPR短期径流预测模型，同时加入了MLR、RT、SVM、BP等模型方法的预测结果作为对比。以赣江流域吉安水文站短期径流预测（预测步长为6 h，预见期为7 d）为例开展实例分析，相关实验结果表明：应用不同核函数的GPR模型预测结果表现存在明显差异，不同方法预测表现由好到差分别为指数GPR、有理二次GPR、RT、马顿GPR、径向基GPR、SVM、MLR、BP；指数GPR预测模型28时段的4项评价指标均表现最佳，DC和QR分别接近1和100%，预报精度达到甲级以上。综上，研究验证了指数核函数GPR短期径流预测模型的有效性和普适性，模型预测精度满足实际工程应用需求，具备实际应用价值。关键词：短期径流预测；高斯过程回归；指数核函数；赣江流域；吉安水文站中图分类号：TV124 文献标识码：A DOI：10.12396/znsd.230394何中政，方 丽，刘 万，等.基于指数核函数高斯过程回归的短期径流预测研究 J.中国农村水利水电，2023（8）：25-31+40.DOI：10.12396/znsd.230394.HE Z Z，FANG L，LIU W，et al.Short-term runoff prediction based on exponential kernel gaussian process regressionJ.China Rural Water and Hydropower，2023（8）：25-31+40.DOI：10.12396/znsd.230394.Short-term Runoff Prediction Based on Exponential Kernel Gaussian Process RegressionHE Zhong-zheng1，3，FANG Li1，LIU Wan2，CHI Ying-fan1，WANG Yong-qiang2，FU Ji-si1，3，XIONG Bin1，3（1.School of Architectural Engineering，Nanchang University，Nanchang 330031，Jiangxi Province，China；2.Changjiang River Scientific Research Institute of Changjiang Water Resources Commission，Wuhan 430010，Hubei Province，China；3.Key Laboratory of Poyang Lake Environment and Resources Utilization，Ministry of Education，Nanchang University，Nanchang 330031，Jiangxi Province，China）Abstract：Runoff prediction is helpful to the comprehensive and efficient allocation of water resources and flood control and disaster reduction operation in the basin.How to accurately carry out a short-term runoff prediction has always been the focus of hydrology and water resource research.Gaussian process regression（GPR）has been successfully applied in the long，medium and short-term hydrological process prediction research because of its generalization ability for complex nonlinear regression problems.The GPR regression analysis ability de文章编号：1007-2284（2023）08-0025-07收稿日期：2023-03-17基金项目：国家自然科学基金（52209024）；中央基本科研业务费（CKSF2021486/SZ）；江西省水利厅科技项目（202223YBKT43）；江西省自然科学基金（20212BAB214065）；江西省水利科学院开放研究基金（2021SKSH01，2021SKSH02）。作者简介：何中政（1992-），男，讲师，博士，主要从事复杂水资源系统建模及其优化调控方法研究。E-mail：he_。通讯作者：王永强（1982-），男，正高级工程师，博士，主要从事流域水资源演变、综合规划与调度配置方面的研究。E-mail：。水文水资源25基于指数核函数高斯过程回归的短期径流预测研究 何中政 方丽 刘万 等pends on not only the model parameters but also the kernel function.Therefore，this paper analyzes the effect of GPR prediction model under different kernel functions，and proposes a short-term runoff prediction model based on exponential kernel function.Through the multiple correlation coefficient analysis of the largest multiple correlation coefficient，and the shortest predictor period，and then the rational secondary，radial base，maton and exponential kernel function are chosen to establish different GPR short-term runoff prediction model，also joined the MLR，RT，SVM，BP model method prediction results as a comparison.Taking the short-term runoff prediction of Jian Hydrologic Station in the Ganjiang River Basin（the prediction step is 6 h，and the prediction period is 7 days）as an example，the relevant experimental results show that：There are obvious differences in the prediction results of GPR models using different kernel functions，and the prediction performance of different methods from good to bad is exponential GPR，rational quadratic GPR，RT，Marton GPR，Radial basis GPR，SVM，MLR，BP；The 4 evaluation indexes of the exponential GPR prediction model in 28 periods all performed best，DC and QR are close to 1 and 100%respectively，the forecast accuracy reaches grade A or above.In conclusion，this paper verifies the effectiveness and universality of the exponential kernel function GPR short-term runoff prediction model，and the model prediction accuracy meets the needs of practical engineering applications with practical application value.Key words：short-term runoff prediction；Gaussian process regression；exponential kernel function；Ganjiang River Basin；Ji an Hydrological Station0引 言流域径流过程受众多因素的相互作用与影响，使得径流时间序列表现出复杂的非线性特性1，具有显著的非平稳、高维度和模糊性等复杂特征2，3，研究预测精度高和稳定性好的径流预测模型仍是当前水文水资源研究领域热点问题之一。而目前水文预测方法主要可分为过程（机理）驱动和数据驱动模型两大类：过程驱动模型以水文过程的物理机制或规律为基础4，需要大量且可靠的水文数据来建立模型，从而进行流域径流模拟或预测，但由于水文模型对水循环过程的简化处理，往往难以精准刻画非线性的径流过程，且由于部分水文数据资料缺失或可靠性差等因素影响，过程驱动模型在实际径流预报中存在局限性5；而随着计算机硬件、软件和理论技术的发展，数据驱动模型依托统计学或其他人工智能技术，无需考虑水文过程物理机制6，通过对时间序列进行分析从而建立对预测对象和预测因子间复杂非线性关系刻画更为完备的模型，使得数据驱动模型在水文数据资料缺少或复杂非线性的径流过程将具有更好的适用性2。近年来，学者们将多种常见的人工智能模型引入到水文预测中，如前馈式神经网络7（Back-Propagation neural network，BP）、多元线性回归8（Multiple Linear Regression，MLR）、支持向量机9（Support Vector Machine，SVM）等，相关研究均取得了较好的效果10，如何应用人工智能技术开展流域径流预测已经成为未来发展的重要研究方向之一11。高斯过程回归（Gaussian Process Regression，GPR）作为一种新型的机器学习方法，采用高斯过程对先验数据进行回归分析，以统计学理论为基础，在处理高维、非线性、小样本等复杂的回归问题时都具有很强的泛化能力，因而在各类研究领域得到应用12。黄亚等人3采用GPR模型在广西天峨水文站进行短期径流预测；孙斌等人13采用GPR模型在进行短期风速预测；李成宇14采用GPR模型进行了土石坝沉降预测研究；周靖楠等人15采用GPR模型与MI-KPCA结合在北汝河进行中长期径流预测。刘龙龙等人16采用GPR模型与蜻蜓算法结合对居民社区时用水量动态实时区间预测。GPR模型已在非线性回归分析问题中得到成功应用，GPR回归分析能力不仅取决于模型参数，还受核函数影响，但目前核函数的影响还未得到进一步研究。Scholkopf和Smola17指出支持向量机和高斯过程两种算法的核函数是等价的，并提出几种高斯过程中可选择的核函数类型。因此，本文分析了不同核函数作用下GPR预测模型效果，并提出了一种基于指数核函数GPR的流域短期径流预测模型，以江西省赣江流域吉安水文站径流过程为对象例开展实例分析。1研究方法1.1高斯过程回归预测模型基本原理高斯过程（Gaussian Process，GP）是概率论和数理统计中随机过程的一种，是一系列服从正态分布的随机变量的组合。GP继承了正态分布的诸多性质，其特征主要由数学期望和协方差函数决定。GPR则是对数据进行回归分析，来建立服从GP先验信息的非参数模型18。假设一个含有n对相互独立观测数据的学习样本X，y，其中X=x 1，x 2，x n是由n个输入向量组成的输入集，而y=y1，y2，yn是由 n个相对应的一维输出组成的输出集。那么GP的均值(x)和方差k(x，x)可由下式确定：(x)=Ef(x)（1）k(x，x)=E(f(x)-(x)(f(x)-(x)（2）式中：x，x代表样本中任意随机变量，E代表数学期望。因此GP可定义为：f(x)GP(x)，k(x，x)（3）而在实际应用中，通常会进行数据预处理使得均值函数为0，故GP即也表示为：f(x)GP0，k(x，x)（4）对于实际工程中的回归问题，还应考虑输出y受噪声影响：y=f(x)+（5）式中：y是受到噪声污染的观测值，f为函数值，x为输入向量，噪声服从均值为0、方差为2n的高斯分布。26基于指数核函数高斯过程回归的短期径流预测研究 何中政 方丽 刘万 等从而可以推求得到y的先验分布，见公式（6）；以及y和f(x*)的联合先验分布，见公式（7）。yN(0，K(X，X)+2nI)（6）yf()x*N0，K()X，X+2nInK()X，x*K()x*，Xk()x*，x*（7）式中：x*为测试输入向量，I是n维单位矩阵，K(X，X)是n n阶的GP协方差矩阵，K(X，x*)是输入集X与测试输入向量x*之间的n 1阶协方差矩阵，K(x*，X)同理可知，k(x*，x*)为x*自身的协方差。由此可知预测值f(x*)的后验分布：f(x*)|X，y，x*N-f(x*)，cov(f(x*)（8）其中：-f(x*)=K(x*，X)k(X，X)+2nIn-1y（9）cov(f(x*)=k(x*，x*)-K(x*，X)K(X，X)+2nIn-1K(X，x*)（10）式中：预测均值-f(x*)即为GPR模型的输出，也是观测值y的预测值。1.2高斯过程回归的核函数与超参数优化GPR使用GR作为先验，其训练结果与预先设定的核函数有关。在随机样本均值为0的前提下，核函数就与协方差函数的实际意义相近，可进行样本间相关性的描述。不同核函数作用下的高斯过程回归特征各不相同，高斯过程模型常用的核函数主要有以下几种：（1）径向基核函数：(r)=exp(-r22 2)（11）式中：r=X1-X2，为超参数，表征了学习样本间的相似度。径向基核函数也被称为高斯核，常被应用于SVM和GPR等各类机器学习算法中，参数简单，但在处理样本数量大或特征多时效果一般。（2）二次有理核函数：(r)=(1+r22 l2)-，l 0（12）式中：，l为超参数。二次有理核函数可以理解为是无穷个径向基核函数的线性叠加，当 时，二次有理核函数等价于=l的径向基核函数。与径向基核函数相比，更为省时，作用域广，但是对参数十分敏感。（3）马顿核函数：(r)=21-()(2 rl)K(2 rl)，l，0（13）式中：l，为超参数，K为修正贝塞尔函数。当 时，相当于以l为特征尺度的径向基核函数。（4）指数核函数：(r)=exp(-rl)（14）指数核函数是马顿核在=0.5的特殊形式，这样的变动减少对参数的依赖性降低，使得模型的训练学习难度大大降低，适用情景相对狭窄。而核函数中的超参数一般可依据极大似然法，建立基于学习样本条件概率的对数似然函数，见式（15）；然后可通过非线性规划方法或群智能搜索方法寻找出超参数的近似最优解。L=lg p(y|X)=-12yT(K)-1y-12lg|K|-n2lg(2)（15）1.3预报因子筛选由于径流预测往往是采用输入多个预测因子对预测量进行输出，研究采用多重相关系数来筛选预报因子。多重相关系数是测量单个因变量与其他多个自变量之间线性相关程度的指标。多重相关系数无法直接计算，可采用预测量y和其他多个预测因子x1，x2，xk线性组合的简单相关系数进行测算。首先，根据预测量y和其他多个预测因子x1，x2，xk进行回归，建立如式（16）的回归方程，然后进一步计算简单相关系数，即为预测量y和多个预测因子x1，x2，xk之间的多重相关系数R。y=0+1x1+2x2+kxk（16）R=()y-y()y-y()y-y2()y-y2（17）式中：0，1，2，k为回归系数。2实例研究2.1研究区域与资料概况赣江是江西省内第一大河流，地理位置为113.58116.63E，24.5228.75N。其发源于赣闽边界武夷山西麓，主河道长约823 km，干支流自南向北贯穿整个江西省，地貌多以山地、丘陵为主，丰水期为3-8月，枯水期为9月-次年2月。图1赣江中下游控制断面分布示意图Fig.1 Distribution diagram of control section in the middle and lower reaches of Ganjiang River27基于指数核函数高斯过程回归的短期径流预测研究 何中政 方丽 刘万 等研究选取了赣江中游栋背、吉安关键断面开展实例分析。栋背站位于江西省万安县栋背村，控制流域面积约4.02 万km；吉安站是赣江中游主要控制站，控制流域面积约5.62 万km；栋背站到吉安站的时滞约为1824 h，栋背站对吉安站的流量过程有较大的影响。研究收集整理了两个水文站点从2010年1月1日0 00至2018年4月14日18 00的实测径流数据，时段间隔为6 h，共计20 000 个数据。2.2基于高斯过程回归的径流预测流程依托项目研究收集得到的数据资料，开展基于GPR模型的径流预测研究。具体实施步骤为：整编收集得到的径流数据资料，将前80%作为预测模型训练期，后20%作为预测模型检验期；根据率定期径流资料，计算预报因子-预测量的多重相关系数，开展相关性分析，从而选定预报因子；选取评价指标，便于直观表现模型的预测效果；采用GPR对预报因子和预报变量进行建模，用训练期资料进行参数率定；将训练好的GPR模型用于检验期的径流预报，检验模型预报效果。2.3评价指标选取为评价预测结果的综合表现，选取了均方根误差（Root Mean Squared Error，RMSE）、平 均 绝 对 误 差（Mean Absolute Error，MAE）、确定性系数（Deterministic coefficient，DC）和合格率（Qualified Rate，QR）评价指标，具体计算公式如下：RMSE=1Ni=1N()Si-Oi2（18）MAE=1Ni=1N|Si-Oi（19）DC=1-i=1N()Si-Oi2i=1N()Oi-Oi2（20）QR=kn 100%（21）式中：Si为模拟值；Oi为实测值；Oi为实测值的均值；k为样本中相对误差小于20%的样本个数；n为测试样本个数。评价指标中，RMSE和MAE取值范围为(0，)，其值越小表明模型预测误差越小；DC取值范围为0，1，其值越大表明预测值和真实值的相关性越大；QR取值范围为0，100%，其值越大表明模型预测精度越高。2.4预测因子筛选建立短期径流预测模型首先需要筛选预测因子，记T为当前时段，OT和IT分别表示本站点和上游站点T时段径流量。采用IBM SPSS Statistics 26.0软件开展见2.3小节中的多重相关系数分析，多重相关性分析结果如表1和表2所示。表1和表2仅列出了与吉安径流多重相关性系数最大，且预测因子时段最短的组合。对比表1和表2可知，增加栋背径流信息对“预测因子预测量”复相关性系数增益较为明显，因此研究选择表2中预测因子开展短期径流预测。图2基于高斯过程回归的径流预测流程图Fig.2 Flow chart of runoff prediction based on Gaussian process regression表1仅考虑吉安站的多重相关性分析结果Tab.1 The multiple correlation analysis results of Jian Station“预测因子-预测量”关系OT-3、OT-2、OT-1、OT OT+1OT-3、OT-2、OT-1、OT OT+2OT-3、OT-2、OT-1、OT OT+3OT-15、OT-14、OT OT+4OT-3、OT-2、OT-1、OT OT+5OT-3、OT-2、OT-1、OT OT+6OT-3、OT-2、OT-1、OT OT+7OT-35、OT-34、OT OT+8OT-11、OT-10、OT OT+9OT-55、OT-54、OT OT+10OT-3、OT-2、OT-1、OT OT+11OT-3、OT-2、OT-1、OT OT+12OT-31、OT-30、OT OT+13OT-7、OT-6、OT OT+14相关系数0.9890.9600.9220.8800.8350.7910.7520.720.6810.6500.6100.5810.5600.530“预测因子-预测量”关系OT-31、OT-30、OT OT+15OT-31、OT-30、OT OT+16OT-27、OT-26、OT OT+17OT-7、OT-6、OT OT+18OT-47、OT-46、OT OT+19OT-15、OT-14、OT OT+20OT-31、OT-30、OT OT+21OT-47、OT-46、OT OT+22OT-55、OT-54、OT OT+23OT-23、OT-22、OT OT+24OT-31、OT-30、OT OT+25OT-39、OT-38、OT OT+26OT-51、OT-50、OT OT+27OT-55、OT-54、OT OT+28相关系数0.5110.4910.4700.4500.4400.4200.4100.4000.3900.3700.3610.3500.3410.33128基于指数核函数高斯过程回归的短期径流预测研究 何中政 方丽 刘万 等2.5径流预测实例分析采用数据留出法19进行评估，将样本数据的前80%作为模型训练样本，后20%作为模型检验样本，即训练期为2010年1月1日0 00至2016年11月19日18 00的实测径流数据，时段间隔为6 h；检验期为2016年11月19日18：00至2018年4月14日的实测径流数据，时段间隔为6 h。根据表2中的预测因子，建立28个基于GPR的短期径流预测模型，分别对面临T+1T+28时段的吉安径流进行预测。为分析不同核函数对GPR短期径流预测模型的作用效果，研究分别选用了有理二次、径向基、马顿和指数核函数建立不同的GPR短期径流预测模型，还加入了 MLR、回归树（Regression Tree，RT）、SVM、BP等模型方法的预测结果作为对比。以上模型的训练以及检验均采用 MATLAB R2020b 进行处理，GPR、MLR、RT 和 SVM 模型训练基于Regression Learner模块，BP模型训练基于采用的Neural Net Fitting模块。图3给出了吉安站不同模型短期径流预测在检验期的结果，见T+1T+27时段4种评价指标的热力图。4张热力图均为颜色越深，检验期预测效果越差。相关实验结果表明：从4种指标综合来看，研究建立的 4 种 GPR 模型和 RT 模型均优于MLR、SVM、BP模型，在DC指标上差异最为显著，4种GPR模型和RT模型的DC均在0.9以上，而MLR、SVM、BP模型DC前2个时段大于0.9，随预见期增长DC锐减至不足0.4；从4种GPR模型对比来看，有理二次、指数GPR优于径向基和马顿GPR，结合核函数表达式（11）（14）来看，径向基和马顿核函数明显比有理二次、指数核函数更复杂，这表明复杂的核函数形式不一定能提升 GPR模型非线性回归分析能力；随着预测期的增加，MLR、SVM、BP模型的4种评价指标均呈现劣化的趋势，4种GPR模型和RT模评价指标有略微波动，但整体较为稳定；综合各项评价指标来看，有理二次、指数GPR模型结果最为突出，而指数GPR模型的RMSE、MAE、QR明显优于有理二次GPR，指数GPR模型在28个时段的QR中仅有1处合格率不足100%，明显少于有理二次 GPR 的 22 处。综上所述，本文提出的指数GPR在吉安站短期径流预测中显著优于其他6种模型方法。图4和表3分别给出了吉安站不同模型短期径流预测T+28表2考虑栋背站和吉安站的多重相关性分析结果Tab.2 The multiple correlation analysis results of Dongbei station and Jian station“预测因子-预测量”关系IT-3、OT-3、IT、OT OT+1IT-3、OT-3、IT、OT OT+2IT-3、OT-3、IT、OT OT+3IT-11、OT-11、IT、OT OT+4IT-3、OT-3、IT、OT OT+5IT-3、OT-3、IT、OT OT+6IT-3、OT-3、IT、OT OT+7IT-19、OT-19、IT、OT OT+8IT-7、OT-7、IT、OT OT+9IT-23、OT-23、IT、OT OT+10IT-31、OT-31、IT、OT OT+11IT-27、OT-27、IT、OT OT+12IT-11、OT-11、IT、OT OT+13IT-31、OT-31、IT、OT OT+14相关系数0.9890.9600.9220.8800.8350.7920.7530.7200.6800.6500.6200.5900.5600.540“预测因子-预测量”关系IT-35、OT-35、IT、OT OT+15IT-35、OT-35、IT、OT OT+16IT-31、OT-31、IT、OT OT+17IT-27、OT-27、IT、OT OT+18IT-39、OT-39、IT、OT OT+19IT-55、OT-55、IT、OT OT+20IT-31、OT-31、IT、OT OT+21IT-39、OT-39、IT、OT OT+22IT-47、OT-47、IT、OT OT+23IT-51、OT-51、IT、OT OT+24IT-27、OT-27、IT、OT OT+25IT-39、OT-39、IT、OT OT+26IT-43、OT-43、IT、OT OT+27IT-47、OT-47、IT、OT OT+28相关系数0.5200.5000.4800.4610.4500.4400.4210.4100.4010.3900.3700.3610.3500.34029基于指数核函数高斯过程回归的短期径流预测研究 何中政 方丽 刘万 等注：以2016-11-20 0 00为坐标轴0点，横轴上12 000为2018-04-14 18 00图4吉安站检验期T+28时段预测结果Fig.4 Forecast results for the T+28 period of the testing period at Ji an Station图3吉安站检验期各模型评价指标热力图Fig.3 Heat map of each model evaluation index for the testing period at Ji an Station30基于指数核函数高斯过程回归的短期径流预测研究 何中政 方丽 刘万 等时段的预测结果和4种评价指标统计结果，7种模型方法在训练期和检验期 4 项评价指标变化不大。此外，研究发现 4 种GPR模型检验期4项评价指标在T+1到T+9时段逐渐劣化，4项评价指标随后在T+10到T+28时段变好并趋于稳定。结合多重相关性分析结果，可知T+10时段以后预测模型输入信息激增，有助于数据驱动的GPR模型开展回归预测分析。这也说明应用多重相关性系数分析筛选出的“预测因子预测量”关系，并不能完全反映自身和上游站点径流的非线性关系。3结 论（1）以赣江流域吉安水文站为对象的预测步长为6 h预见期为7 d的实例分析为例，应用不同核函数的GPR模型预测结果表现存在明显差异，不同方法预测表现由好到差分别为指数GPR、有理二次 GPR、RT、马顿 GPR、径向基 GPR、SVM、MLR、BP。指数GPR预测效果最好，28个时段的DC和QR均分别接近1和100%。（2）从4种GPR模型对比来看，径向基和马顿核函数表达式比有理二次、指数核函数更复杂，但预测结果不如有理二次、指数核函数的GPR模型，说明复杂的核函数形式不一定能提升GPR模型非线性回归分析能力。（3）4种GPR模型检验期预测精度在T+1到T+9时段逐渐降低，但在T+10到T+28时段，随预测模型输入因子信息激增，预测精度提高并趋于稳定。（4）多重相关性系数分析筛选出的“预测因子预测量”关系，主要依据线性关系，并不能反映自身预测量和上游站点预测因子的非线性关系。在未来的研究中，需探究能够精准描述预测因子与预测量复杂非线性关系的分析方法，从而更为准确的筛选预测因子。参考文献：1 王文圣，丁晶，李跃清.水文小波分析 M.北京：化学工业出版社，2005.WANG W S，DING J，LI Y Q.Wavelet analysis of hydrological M.Beijing：Chemical Industry Press，2005.2 梁浩，黄生志，孟二浩，等.基于多种混合模型的径流预测研究J.水利学报，2020，51（1）：112-125.LIANG H，HUANG S Z，MENG E H，et al.Runoff prediction study based on multiple hybrid models J.Journal of Hydraulic Engineering，2020，51（1）：112-125.3 黄亚，易灵，肖伟华，等.基于高斯过程回归模型的径流短期预测研究 J.水力发电，2020，46（12）：9-12.HUANG Y，YI L，XIAO W H，et al.Short-term runoff prediction based on Gaussian Process Regression model J.Water Power，2020，46（12）：9-12.4 YANG W，CHEN L，DENG F，et al.Application of an improved distributed Xinanjiang hydrological model for flood prediction in a karst catchment in SouthWestern ChinaJ.Journal of Flood Risk Management，2020，13（4）：e12 649.5 YIN H，GUO Z，ZHANG X，et al.Runoff predictions in ungauged basins using sequence-to-sequence modelsJ.Journal of Hydrology，2021，603：126 975.6 LIU G，TANG Z，QIN H，et al.Short-term runoff prediction using deep learning multi-dimensional ensemble method J.Journal of Hydrology，2022，609：127 762.7 鞠琴，郝振纯，余钟波，等.IPCC AR4气候情景下长江流域径流预测 J.水科学进展，2011，22（4）：462-469.JU Q，HAO Z C，YU Z B，et al.Runoff prediction in the Yangtze River basin based on IPCC AR4 climate change scenarios J.Advances in Water Science，2011，22（4）：462-469.8 张竞月.基于多元线性回归模型的滦河流域径流量变化驱动因子分析 J.水利水电技术，2017，48（11）：43-47+99.ZHANG J Y.Multivariable linear regression model-based analysis on driving factors of runoff variation in Luanhe River Basin J.Water Resources and Hydropower Engineering，2017，48（11）：43-47+99.9 李代华.基于改进布谷鸟搜索算法优化的SVM月径流预测 J.中国农村水利水电，2020（8）：171-176.LI D H.SVM Monthly runoff prediction based on improved Cuckoo Search algorithm optimization J.China Rural Water and Hydropower，2020（8）：171-176.（下转第40页）表3吉安站T+28时段训练期和检验期结果评价指标Tab.3 Evaluation indexes for the results of the training and testing period of the T+28 period at Jian Station模型MLRRTSVMBP有理二次GPR径向基GPR马顿GPR指数GPR训练期RMSE/（ms-1）1 431.8343.41 495.51 220.20.3238.7111.30.2MAE/（ms-1）905.1171.5806.6778.90.1120.854.00.1DC0.332 90.961 60.27230.515 51.000 00.981 50.996 01.000 0QR/%21.0989.2432.4528.20100.0083.4893.90100.00检验期RMSE/（ms-1）796.9159.2832.3895.911.742.315.50.2MAE/（ms-1）499.972.1462.9590.44.420.06.20.1DC0.369 10.974 80.312 00.202 60.999 90.998 20.999 81.000 0QR/%29.1594.6535.4027.2099.8597.4599.80100.0031密集建筑物对城市洪涝模拟的影响研究 钟家民 贺嘉琦 邓镇业 等cal model J.Water Resources and Hydropower Engineering，2017，48（5）：1-5.24 SALVADORE E，BRONDERS J，BATELAAN O.Hydrological modelling of urbanized catchments：A review and future directionsJ.Journal of Hydrology，2015，529：62-81.25 徐宗学，叶陈雷.城市暴雨洪涝模拟：原理、模型与展望 J.水利学报，20