水库日流入量预测对水库的管理操作起着至关重要的作用,可以用于水库的干旱管理、防洪调度、灌溉用水、水利发电、工业生活用水等,因此,精确的水库日流入量预测对于水库的水资源规划来说是十分必要的。由于人类活动,气候变化,水利工程的建设等多源因素影响,水库日流入量具有随机性,非平稳性,非线性和时变性的特点,给预测带来了很大挑战。本文以安康水库日流入量数据为研究对象,根据对数据的特征和预测模型的分析,对目前分解结合人工智能模型的水库日流入量预测方法进行了改进。本文的研究内容主要包括以下两个方面:(1)目前的分解结合人工智能模型的预测方法在水库日流入量预测上取得了不错的预测精度,但是它依然存在着一些缺点。直接采用分解方法对水库日流入量数据进行分解,没有对数据特点进行分析和平稳化预处理,对于波动性较大的水库日流入量数据不能达到很好的预测结果。采用的预测模型不能充分利用时间序列数据的时变性信息。针对以上问题,提出了一种基于分解集成学习和LSTM的水库日流入量预测模型(DEL-LSTM)。通过对水库日流入量数据的特点进行分析,研究数据平稳化处理方法,采用对数变换对水库日流入量数据进行预处理,解决了水库日流入量波动性问题,提高了预测模型的预测性能。对比目前常用的时间序列分解重构方法,采用EEMD和FT提取出安康水库日流入量数据的特征项。为了实现更准确的水库日流入量预测,对分解重构后的每个特征项构造能利用时间序列数据时变性信息的LSTM网络模型。实验表明本文提出的DEL-LSTM预测方法有效提高了水库日流入量预测精度,并且与目前使用其他预测模型进行比较,验证了DEL-LSTM预测方法的有效性。(2)分解结合人工智能模型的预测方法,对分解后的子序列或分解重构后得到的特征项大都采用同一种预测模型进行预测,没有对分解后的数据特征和适用的预测模型进行分析。为了解决上述问题,提高水库日流入量预测精度,提出基于数据特征识别的水库日流入量的预测方法(DFR-RIF)。为了有效表示水库日流入量数据分解重构后的每个特征项数据特征,分析了时间序列数据具有的特性,对每个特征项进行了平稳性,非线性和复杂性特征检验。研究不同预测模型的优缺点以及擅长的处理数据类型。根据对特征项的检验结果和对预测模型的理论分析建立了特征项与预测模型之间的匹配关系,并通过实验的方法确定特征项最终对应预测模型。本文中通过实验验证了建立的特征项和预测模型匹配关系的有效性,确定了每一个特征项采用的预测模型结构。实验结果表明本文提出DFR-RIF预测方法提高了水库日流入量预测性能。