一种基于深度学习的中长期径流集成概率预测方法

本发明提供一种基于深度学习的中长期径流集成概率预测方法，通过收集整理流域长系列径流数据，采用改进的时滞皮尔逊相关系数法、多尺度最大信息系数法和基于物理约束的随机森林特征重要性评分法筛选预测因子，并用改进的Dempster‑Shafer证据理论融合构建驱动因子集。基于多尺度物理约束自适应损失函数构建深度学习基模型，引入多模态数据融合和物理约束增强机制，建立多模态自适应Stacking集成框架，通过Bootstrap‑Quantile方法生成概率预测区间，并用SHAP方法识别关键驱动因子。本发明提出"输入‑参数‑结构"全要素优化框架，综合考虑多源不确定性，提高了预测精度和可靠性。