DOI:10.12170/20220208001王秀杰，王玲，滕振敏，等.VMD-PSO-LSTM模型的日径流多步预测[J].水利水运工程学报，2023（4）：81-90.（WANGXiujie,WANGLing,TENGZhenmin,etal.Researchonmulti-stepforecastofdailyrunoffbasedonVMD-PSO-LSTMmodel[J].Hydro-ScienceandEngineering,2023（4）:81-90.（inChinese））VMD-PSO-LSTM模型的日径流多步预测王秀杰1，王玲1，滕振敏2，田福昌1，袁佩贤3，苑希民1(1.天津大学水利工程仿真与安全国家重点实验室，天津300072；2.崇左市左江治旱工程管理中心，广西崇左532200；3.北京城建设计发展集团股份有限公司，北京100032)摘要:为了弱化径流时间序列的非线性和非平稳性，提高不同预见期的日径流预测精度，提出了一种新的VMD-PSO-LSTM多步预测组合模型。首先采用变分模态分解（VMD）方法将原始日径流序列分解为子序列，通过粒子群优化算法（PSO）对长短期记忆（LSTM）模型参数进行优化，对各子序列建立PSO-LSTM模型，各分量的预测值重构集成预测结果。将VMD-PSO-LSTM模型应用于黄河下游花园口和利津站的日径流多步预测，采用Nashsutcliffe效率系数（ENS）、相关系数（R）和均方根误差（ERMS）3个定量评价指标对模型预测结果进行评价。结果表明：在预见期为1、2、3d的情况下，两个测站的Nashsutcliffe效率系数和相关系数均在0.90以上。与CEEMD-PSO-LSTM和PSO-LSTM模型的预测结果对比表明，该模型能够有效提高日径流多步预测精度，是一种高效稳定的径流预报模型。关键词：非平稳序列；日径流多步预测；长短期记忆模型；变分模态分解方法中图分类号：TV124文献标志码：A文章编号：1009-640X(2023)04-0081-10准确可靠的径流预测对合理利用水资源、提升防洪减灾能力及充分发挥水库的综合效益具有重要意义。但受气候变化和人类活动等因素的综合影响，径流变化具有较强的非线性和不确定性，为水文预报带来困难。因此，提高水文预报精度一直是水文水资源领域的研究重点和难点。目前，常用的基于数据驱动的径流预测方法有线性预测模型和机器学习模型。线性预测模型基于线性回归理论，结构简单，难以应对复杂非平稳的径流信息[1]。机器学习的发展为复杂径流的预测提供了新思路，其中传统浅层的机器学习方法虽然能够成功进行复杂非平稳的径流预测，但其精度仍需进一步改进[2]。随着人工智能技术的不断发展，深度学习被引入预测领域。其中长短期记忆（LSTM）模型具有较强的非线性预测能力、较快的收敛速度和捕捉时间序列长期...
