基于机器学习的水库入库径流预报方法、系统及介质

本发明公开了一种基于机器学习的水库入库径流预报方法、系统及介质，方法包括：首先收集水库入库径流数据，使用马尔可夫方法扩充入库径流样本；然后构建水库入库径流预报的多目标优化极限学习机模型MOELM，以极限学习机ELM为骨架，结合快速精英多目标遗传算法NSGA‑Ⅱ，以径流整体拟合和极端洪水事件的均方根误差最小为目标优化径流模拟效果，通过部分互信息法PMI和经验指南分别从模型输入信息和隐藏节点数的进行灵敏度分析；将训练好的MOELM迁移至其他水库，检验模型的可移植性。与传统水文模型相比，该方法在典型洪水事件中能够有效提高洪水预报的精准度，降低对极端洪水的模拟误差，且水文迁移能力强，在洪水预报时更具可扩展性和鲁棒性。