基于集成学习的中小河流洪水预报

王继民，季昌政，李家欢，曹 颖

(1.河海大学计算机与信息学院,江苏 南京 211100； 2.水利部信息中心，北京 100053)

0 引 言

中小河流洪水是我国自然灾害中造成人员伤亡和经济损失的主要灾种[1]。中小河流洪水预报是重要的防洪非工程措施之一，但其预报精度和预见期长短是亟待解决的关键问题[2]。

目前，国内外常用的洪水预报方法主要有3种：经验预报法、临界雨量法和预报模型法[3]。经验预报法通常通过流量和水位资料等数据建立上、下游的水位流量关系，凭借经验通过上游水位和流量预测下游水位或流量。临界雨量法依据流域观测资料建立降雨总量与洪峰相关关系实现洪峰预测。预报模型法主要分过程驱动和数据驱动2种模型。过程驱动模型包括降雨径流预报方法、集中式概念性水文模型、分布式网格模型等水文学概念的物理模型，而数据驱动模型利用已有水文站点数据寻求输入输出间的映射关系的黑盒方法，包括统计回归模型、神经网络模型[4-7]等。

单个模型预报存在局限性且不稳定，因此集成学习整合多个“弱”模型以得到一个“强”模型从而提高整个模型的泛化能力[8-10]。2017年，程子鹏[11]以虎跳峡坝区历史径流为研究对象，组合梯度提升树和随机森林进行中长期水文预报，有效地增加了算法泛化能力和降低了过拟合风险，使得相对误差和均方误差得到有效改善。2018年，冯钧等[12]基于LSTM和BP神经网络建立LSTM-BP多模型组合预报模型进行水文预报，预报精度有一定提升，但各个学习器仍是各自为战，学习器间没有信息交互，限制了组合模型的性能。……