径流预报对于防洪、发电和生态调度等具有重要意义。以大渡河丹巴以上流域为研究区域，采用黏菌优化算法（SMA）对长短期记忆神经网络（LSTM）的隐藏层输出维度进行优化，构建SMA-LSTM模型对未来10日径流过程进行预报，以探讨深度学习方法对流域径流预报的适用性。基于2012—2017年的日降雨量和日流量资料，构建了预见期为10天的逐日径流SMA-LSTM预报模型，以2018—2019年的资料进行模型验证；采用最大1日径流量相对误差和10日总径流量相对误差作为SMA-LSTM模型精度的评价指标，并与未优化的LSTM模型和新安江模型结果进行对比。结果表明：SMA-LSTM模型具有较高的模拟和预报精度，无论是在率定期还是验证期，两种指标均控制在±10%以内，且两种指标的绝对值平均都不超过7%；整体而言，SMA-LSTM模型精度更高，预报的径流过程与实测过程更为贴近。研究成果可供流域径流预报实际工作参考。
文章目录
0 引言
1 模型与方法
1.1 LSTM神经网络模型
1.2 黏菌优化算法
1.3 新安江模型
2 应用研究
2.1 流域概况
2.2 数据及处理
2.3 LSTM模型和SMA-LSTM模型的构建
2.3.1 模型构建方式
2.3.2 模型参数设定
2.4 新安江模型构建
2.5 模型评价指标
2.6 结果分析
3 主要结论
