摘要(Abstract)：
为了提高城区降雨预报的准确性，为城市防洪留有更多的准备和防御时间，利用基于数据驱动的长短时记忆神经网络(LSTM)模型对山东省济南市兴济河进行水文预报研究；分别建立序列长度为2.5、 3.0 h的LSTM模型，利用均方根误差和纳什系数对比选优2个LSTM模型；优选出序列长度为3.0 h的LSTM模型并将其应用于2场不同时长的降雨中进行水文预报。结果表明，在干流源头和支流附近，LSTM模型的预报精度较低，随着多维度实时水文数据的输入，序列长度为3.0 h的LSTM模型的预报准确性更高，更适合兴济河的水情变化，同时，该模型对较长历时降雨模拟效果更好，可以将其用于洪水预报研究中。
关键词(KeyWords)：水文预报;城市防洪;长短时记忆神经网络模型;兴济河
基金项目(Foundation):国家自然科学基金项目(42307083)
作者(Author):徐晓芹,赵文聚,仇东山,郑波,潘维艳,孔珂
DOI:10.13349/j.cnki.jdxbn.20250919.002
参考文献(References)：
[1] 张升堂，郭建斌，高宗军，等.济南“7·18”城市暴雨洪水分析[J].人民黄河，2010,32(2):30.
[2] 张明泉，张曼志，张鑫，等.济南“2007·7·18”暴雨洪水分析[J].中国水利，2009(17):40.
[3] 孙立堂.济南小清河流域产汇流计算方法研究[D].济南：山东大学，2008:1-2.
[4] 徐宗学，叶陈雷.城市暴雨洪涝模拟：原理、模型与展望[J].水利学报，2021,52(4):381.
[5] 张红萍，李敏，贺瑞敏，等.城市洪涝模拟应用场景及相应技术策略[J].水科学进展，2022,33(3):452.
[6] 赵杏杏，左翔，蔡文静，等.考虑时空特征的城市内涝智能预报模型研究[J].人民长江，2024,55(7):20.
[7] HOCHREITER S,SCHMIDHUBER J.Long short-term memory[J].Neural Computation,1997,9(8):1735.
[8] 殷兆凯，廖卫红，王若佳，等.基于长短时记忆神经网络(LSTM)的降雨径流模拟及预报[J].南水北调与水利科技，2019,17(6):4.
[9] 崔巍，顾冉浩，陈奔月，等.BP与LSTM神经网络在福建小流域水文预报中的应用对比[J].人民珠江，2020,41(2):74.
[10] 徐源浩，邬强，李常青，等.基于长短时记忆(LSTM)神经网络的黄河中游洪水过程模拟及预报[J].北京师范大学学报(自然科学版),2020,56(3):387.
[11] TIAN Y,XU Y P,YANG Z L,et al.Integration of a parsimonious hydrological model with recurrent neural networks for improved streamflow forecasting[J].Water,2018,10(11):1655.
[12] 梁肖旭.基于深度学习的水文预报方法研究[D].西安：西安电子科技大学，2020:17-19.
[13] DE VILLIERS J,BARNARD E.Backpropagation neural nets with one and two hidden layers[J].IEEE Transactions on Neural Networks,1993,4(1):136.
