Page 74 - 《水资源与水工程学报》2022年第6期

７ ０ & ' ( ) & * + , - ２０２２ $

ａｇｅｅｒｒｏｒ ≤１５．０％，ｔｈｅｐａｓｓｒａｔｅ≥７３．３％，ａｎｄｔｈｅｃｏｅｆｆｉｃｉｅｎｔｏｆｃｅｒｔａｉｎｔｙ ≥０．９９；ｈｏｗｅｖｅｒ，ｉｔｐｅｒ
ｆｏｒｍｅｄｐｏｏｒｌｙｗｈｅｎｔｈｅｆｏｒｅｃａｓｔｐｅｒｉｏｄｉｓ ≥７ｍｏｎｔｈｓ．Ｉｔｈａｓａｎｉｄｅａｌｆｏｒｅｃａｓｔｉｎｇｅｆｆｅｃｔｆｏｒｔｈｅｄａｉｌｙｒｕｎｏｆｆ
ｗｉｔｈａｆｏｒｅｃａｓｔｐｅｒｉｏｄｏｆ１－３ｄ，ｗｉｔｈｔｈｅｍｅａｎａｂｓｏｌｕｔｅｐｅｒｃｅｎｔａｇｅｅｒｒｏｒ ≤１．２３％，ｔｈｅｐａｓｓｒａｔｅ＝
１００％，ａｎｄｔｈｅｃｏｅｆｆｉｃｉｅｎｔｏｆｃｅｒｔａｉｎｔｙ ≥０．９９９；ｉｔａｌｓｏｐｅｒｆｏｒｍｓｓａｔｉｓｆａｃｔｏｒｉｌｙｗｈｅｎｆｏｒｅｃａｓｔｐｅｒｉｏｄｉｓ４－
７ｄ，ｗｉｔｈｔｈｅｍｅａｎａｂｓｏｌｕｔｅｐｅｒｃｅｎｔａｇｅｅｒｒｏｒ ≤ １５．３％，ｔｈｅｐａｓｓｒａｔｅ ≥ ７３．０％，ａｎｄｔｈｅｃｏｅｆｆｉｃｉｅｎｔｏｆ
ｃｅｒｔａｉｎｔｙ ≥ ０．９４；ｗｈｅｒｅａｓｗｈｅｎｔｈｅｆｏｒｅｃａｓｔｐｅｒｉｏｄｉｓ ≥ ８ｄ，ｔｈｅｆｏｒｅｃａｓｔｅｆｆｅｃｔｉｓｐｏｏｒ．ＴｈｅＷＰＴ－
ＨＰＯ－ＥＬＭｍｏｄｅｌｃａｎｇｉｖｅｆｕｌｌｐｌａｙｔｏｔｈｅａｄｖａｎｔａｇｅｓｏｆＷＰＴ ，ＨＰＯａｎｄＥＬＭ，ｓｈｏｗｉｎｇｈｉｇｈｆｏｒｅｃａｓｔ
ａｃｃｕｒａｃｙａｎｄｓｔａｂｉｌｉｔｙ ；ｈｏｗｅｖｅｒ，ｔｈｅｆｏｒｅｃａｓｔｅｒｒｏｒｉｎｃｒｅａｓｅｓｗｉｔｈｔｈｅｉｎｃｒｅａｓｅｏｆｔｈｅｆｏｒｅｃａｓｔｐｅｒｉｏｄ．Ｔｈｅ
ｐｒｏｐｏｓｅｄｍｏｄｅｌａｎｄｍｅｔｈｏｄｃａｎｐｒｏｖｉｄｅａｎｅｗａｐｐｒｏａｃｈｆｏｒｔｈｅｍｕｌｔｉｓｔｅｐｆｏｒｅｃａｓｔｉｎｇｏｆｒｕｎｏｆｆｔｉｍｅｓｅ
ｒｉｅｓ．
Ｋｅｙｗｏｒｄｓ：ｒｕｎｏｆｆｆｏｒｅｃａｓｔ；ｗａｖｅｌｅｔｐａｃｋｅｔｔｒａｎｓｆｏｒｍ（ＷＰＴ）；ｈｕｎｔｅｒ－ｐｒｅｙｏｐｔｉｍｉｚａｔｉｏｎ（ＨＰＯ）；ｅｘ
ｔｒｅｍｅｌｅａｒｎｉｎｇｍａｃｈｉｎｅ（ＥＬＭ）；ｍｕｌｔｉｓｔｅｐｆｏｒｅｃａｓｔ；ｓｉｍｕｌａｔｉｏｎｔｅｓｔ
ＷＤ－ＰＳＯ－ＬＳＳＶＭ`Œ—祀!"o}NNO
１ ./01
xó£"©ª«Äv， ‹¬­®Ã`Œ—çâľ
£"MörÿÄÚ， ™(Ü£"Mörÿ°4 .ŸÄÚPO； =ÊÊf ［９］ }~«ò£Ð（ｓｉｎ
ÄÚKðÜNOÄÚ&JŸº%’3%。¸.£" ｇｕｌａｒｓｐｅｃｔｒｕｍａｎａｌｙｓｉｓ ，ＳＳＡ）－ 8óoéG‘ － Øé
Mörÿ°4ÄÚPO¥àNOÄÚ、 NQRa' L–Å2„（ｓｕｐｐｏｒｔｖｅｃｔｏｒｒｅｇｒｅｓｓｉｏｎ，ＳＶＲ） —ç， {
dufâÄ$$Z[。^à!ò£"íŽ|hÅ] |õ!m[:ó£"Äv5l¥—穪«†;，
íÁ，ＢＰ（ｂａｃｋｐｒｏｐａｇａｔｉｏｎ） ËÖÖh ［１］ 、 ØéL– ‹¬­®Ã—ç„Ž­+>YôÇNO£"Ÿ¯Ï
［２］
Å（ｓｕｐｐｏｒｔｖｅｃｔｏｒｍａｃｈｉｎｅｓ，ＳＶＭ） 、 ,Å^8（ｒａｎ ¼X， âÄ­·ŸÄvY¬； ûH¶f ［１０］ i>¡
［３］
ｄｏｍｆｏｒｅｓｔ ，ＲＦ） 、 }ÏM€`ËÖÖh（ｌｏｎｇｓｈｏｒｔ —k£（ＶＭＤ）、 ¢£Éʏ（ｄｅｔｒｅｎｄｅｄｆｌｕｃ
［４］
ｔｅｒｍｍｅｍｏｒｙｎｅｔｗｏｒｋｓ，ＬＳＴＭ） fÑ\ÄvK‘3 ｔｕａｔｉｏｎａｎａｌｙｓｉｓ ，ＤＦＡ）’ } Ï M € ` Ë Ö Ö h
ÀÇCcZŸÄÚY¬。1×， 7à“ £ － Äv （ＬＳＴＭ） K‘， ¸¹ ＤＦＡ－ＶＭＤ－ＬＳＴＭö£"ÄÚ
－ ûŽ” Ÿb„ÄvԌK‘·*üƒuà£"M —ç¥9:Njö£"©ª«ÄÚ， ÞC¾·ÄÚ
örÿÄv&J， •ñìQf ［５］ 7ࡏ—k£ Y¬； j‚#f ［１１］ 7àMɏ£K‘’ØéL–Å
（ｖａｒｉａｔｉｏｎａｌｍｏｄｅｄｅｃｏｍｐｏｓｉｔｉｏｎ，ＶＭＤ） K‘’í* （ＳＶＭ） }~«`Œö£"Äڗç¥ÕÆxö£
－ }Ï݀`ËÖÖh（ｃｏｎｖｏｌｕｔｉｏｎａｌｎｅｕｒａｌｎｅｔｗｏｒｋ "©ªÄÚ， †;«Ã—çâÄ­·ŸÄÚΕX；
ａｎｄｌｏｎｇｓｈｏｒｔｔｅｒｍ ｍｅｍｏｒｙｎｅｔｗｏｒｋｓ ，ＣＮＮ－ＬＳＴＭ） j'*f ［１２］ «MÉ¡.(ØéL–ÅR‹Œ， ¸¹
}~ ＶＭＤ－ＣＮＮ－ＬＳＴＭ—ç， {|!"oÐ3 duMÉØéL–Å2„—祫!"oÐ3hN
hx’Ó3îx １９６０－２００５ ™5vó£"±í¥ Oxö£"©ªÄÚ， ‹¬Q˜Ã—ç;ÄY—¹
［１３］
—穪†;， ‹¬­® ＶＭＤ－ＣＮＮ－ＬＳＴＭ—ç ’ÄÚö£"； {éVf €ŒMɏK‘、 J
âÄ­oŸÄvPOÀP­MŸÇ¿； â;ïf ［６］ –èoéG‘’ØéL–Å， h}«MÉ － J–è
7àֆ—k£（ｅｍｐｉｒｉｃａｌｍｏｄｅｄｅｃｏｍｐｏｓｉｔｉｏｎ， － ØéL–2„¨Œö£"Äڗ礥8}@r
ＥＭＤ） ( Ｅｌｍａｎ ËÖÖh}~« ＥＭＤ－Ｅｌｍａｎ ó£ gùõNOxö£"©ª«ÄÚ， ‹¬­®Ã—ç
"`ŒÄv—ç， ¤«(ƒuàj!ËgKùðN Ïö£"ÄÚrâľõŸ‚ƒX； ÐÏWf ［１４］ }
Ox １９７９－２００９ ™Ÿó£"MörÿÄvr； ñG ~«Ö†—k£ （ＥＭＤ）－‘/öe （ｆｏｒｅｎｓｉｃ
tf ［７］ }~«S—ûŒÖ†—k£（ｃｏｍｐｌｅｍｅｎ ｂａｓｅｄｉｎｖｅｓｔｉｇａｔｉｏｎ ，ＦＢＩ） G‘ － ‘W6eÅ（ｅｘｔｒｅｍｅ
ｔａｒｙｅｎｓｅｍｂｌｅｅｍｐｉｒｉｃａｌｍｏｄｅｄｅｃｏｍｐｏｓｉｔｉｏｎ，ＣＥＥＭＤ） ｌｅａｒｎｉｎｇｍａｃｈｉｎｅ ，ＥＬＭ） `Œ£"Äv—ç， ¤«Ã
－ＢＰ ËÖÖh—ç， ¤{|8!ó£"Äv5l¥ —çƒuàQ"#÷Î!NOx™£"ŸÄv， Ç
—穪«†;， ;®«Ã`Œ—çÄvY¬¾·； C«¾·ŸÄvY¬。
sÝ>f ［８］ 7à/ÞûŽÖ†—k£（ｃｏｍｐｌｅｔｅ 5È， ˈ—çÃK‘÷ÏÀZE<Ã:j：
ｅｎｓｅｍｂｌｅｅｍｐｉｒｉｃａｌｍｏｄｅｄｅｃｏｍｐｏｓｉｔｉｏｎｗｉｔｈａｄａｐｔｉｖｅ （１） c°±£"ÄÚ¸`¥Ä¯ÝM １œóà １ｄ
ｎｏｉｓｅ ，ＣＥＥＭＤＡＮ） ’Mɏ£ （ｗａｖｅｌｅｔｄｅｃｏｍｐｏｓｉ Ÿø4ÄÚ， ÈÏ5Tƒur， ø4Äڒ’À‘c
ｔｉｏｎ ，ＷＤ） `ŒŸ¸Ô£K‘， ¸¹ ＣＥＥＭＤＡＮ－ jó£"Ãö£"Äڟ5T÷K， {[í÷$ì