Page 107 - 2025年第56卷第7期

水 利 学 报

２０２５年 ７月 ＳＨＵＩＬＩ ＸＵＥＢＡＯ 第 ５６卷 第 ７期

文章编号：０５５９ － ９３５０（２０２５）０７ － ０９３３ － １２

径流序列两段动态分解－ 预测－ 重构中长期预报模型

１
１
１
４
陈小泽 ，王忠静 １，２，３ ，刘 丹 ，石羽佳 ，ＫＡＮＧＢｏｏｓｉｋ
（１．清华大学 水利水电工程系，北京 １０００８４；２．清华大学 水圈科学与水利工程全国重点实验室，北京 １０００８４；
３．宁夏大学 土木与水利工程学院，宁夏 银川 ７５００２１；４．檀国大学 土木与环境工程系，京畿道 龙仁 １６８９０，韩国）
摘要：中长期径流预报是水资源优化调度的基础支撑。随着全球气候变化加剧，径流时间序列变异性呈增加趋
势，基于时间序列分析方法的径流预报难度进一步增大。为克服这一困难、增强预报能力，本文通过局部加权回
归周期趋势分解（ＳＴＬ）、变分模态分解（ＶＭＤ）与带有知识蒸馏的深度学习组合，构建了基于 ＳＴＬ － ＶＭＤ － Ｉｎｆｏｒｍｅｒ
的两段动态分解－ 预测－ 重构的中长期径流组合预报模型。该模型在永定河流域石匣里水文站断面应用表明，在预
见期 １、３、６个月时，其纳什效率系数 ＮＳＥ分别可达到 ０．８９７、０．８４３和 ０．７９６，验证了所提出的方法可较好地分
离时间序列的变异性，延长预见期，提高预报精度。本方法对改进数据驱动的径流序列中长期预报方法和策略有
积极的意义。
关键词：径流预报；周期趋势分解；变分模态分解；Ｉｎｆｏｒｍｅｒ；永定河
文献标识码：Ａ
中图分类号：Ｐ３３８ ｄｏｉ：１０．１３２４３?ｊ．ｃｎｋｉ．ｓｌｘｂ．２０２４０３１９

１ 研究背景

径流是水循环的重要环节，准确预报中长期河川径流，对供水、发电、灌溉、防洪有着重要意
义。近几十年来，随着气候变化和人类活动增强，极端水文事件增多增强 ［１］ ，径流时间序列变异性增
大，预报难度增加，业已成为全球变化下水文预报的新难题。
围绕上述问题，众多学者试图从过程驱动和数据驱动两方面迎接挑战 ［２］ ，但因过程驱动基于明确
物理意义的产汇流模型，结构复杂、参数化困难 ［３ － ４］ ，近年来的热点转向了依靠数理统计或机器学习
建立输入 输 出 数 据 间 关 系 的 数 据 驱 动 方 法 ［２，５ － ７］ 。 如 卢 敏 等 ［８］ 讨 论 了 支 持 向 量 机 （ＳｕｐｐｏｒｔＶｅｃｔｏｒ
Ｍａｃｈｉｎｅ ，ＳＶＭ）在径流预报中的应用；Ｌｉｕ等 ［９］ 应用高斯混合模型（ＧａｕｓｓｉａｎＭｉｘｅｄＭｏｄｅｌ，ＧＭＭ）预报
了长江上游径流量；李向阳等 ［１０］ 使用反向传播神经网络（ＢａｃｋＰｒｏｐａｇａｔｉｏｎＮｅｕｒａｌＮｅｔｗｏｒｋ，ＢＰＮＮ）预
报了湖南省双牌水库的径流量；殷兆凯等 ［１１ － １２］ 应用长短期记忆 神经 网络 （ＬｏｎｇＳｈｏｒｔ － Ｔｅｒｍ Ｍｅｍｏｒｙ，
ＬＳＴＭ）预报了锦江流域高安站的径流。其中，ＬＳＴＭ 应用较为广泛 ［１３ － １４］ ，如对呼兰河兰西水文站年径
流序列预报 ［１５］ 和汉江流域安康站日径流序列的预报 ［１６］ 。前者的纳什效率系数 ＮＳＥ达到 ０．９４，但后者
仅有 ０．６８。前者是高纬度季风区的年径流预报，变异性低；而后者是中纬度季风区且日径流预报，变
异性高。当序列变异性增大时，ＬＳＴＭ 预报能力下降严重 ［１７］ 。为克服这一困难，Ｚｈｏｕ等 ［１８］ 在 Ｔｒａｎｓ
ｆｏｒｍｅｒ 架构基础上提出了 Ｉｎｆｏｒｍｅｒ算法，通过自注意力蒸馏改进稀疏自注意力机制，减少了模型参数、
降低计算复杂度，在时间序列预报中表现优异。然而，当径流序列非平稳时，其识别序列特征的能力
下降，预报精度降低。因此，对时间序列先进行特征分解、再进行机器学习的组合预报模型成为了研

收稿日期：２０２４ － ０５ － ２７；网络首发日期：２０２５ － ０５ － ０７
网络首发地址：ｈｔｔｐｓ：??ｌｉｎｋ．ｃｎｋｉ．ｎｅｔ?ｕｒｌｉｄ?１１．１８８２．ＴＶ．２０２５０５０６．１６１４．００２
基金项目：国家重点研发计划项目（２０２２ＹＦＥ０１０１１００）；国家自然科学基金项目（５２３００２４６，４２３０７５５８）
作者简介：陈小泽（ ２００１ － ），博士生，主要从事水文水资源研究。Ｅ － ｍａｉｌ：ｃｈｅｎｘｚ２３＠ｍａｉｌｓ．ｔｓｉｎｇｈｕａ．ｅｄｕ．ｃｎ
通信作者：王忠静（１９６３ － ），教授，主要从事水资源规划与管理研究。Ｅ － ｍａｉｌ：ｚｊ．ｗａｎｇ＠ｔｓｉｎｇｈｕａ．ｅｄｕ．ｃｎ
— ９ ３ ３ —