要想准确地评估洪水风险、合理地构造可靠的防洪抗旱预警系统,对月降水量的精确中长期预测必不可少.对月降水量序列来说,具有高波动和非线性的特征.通过传统的、单一的方法来实现对月降水量的高精度预测非常困难.这些方法虽然具有容易识别、模型简单的优点,但对于非线性月降水量的中长期预测很难达到理想的效果.基于这个原因,本文提出了基于季节因子调整(SIA)、集合经验模态分解(EEMD)、偏自相关分析(PACF)、广义回归神经网络(GRNN)和SARIMA的组合优化模型SEPG-S,来解决具有非平稳、非线性特性的降水量时间序列预测问题.首先,通过SIA对含有季节性的降水量序列进行处理,提取出其中的季节因子;然后,通过EEMD对已去除季节影响的降水量序列进行分解,将其分解成含有不同尺度,频率由高到低的一系列本征模态函数(IMF);最后,应用GRNN和SARIMA对这些IMF和残差序列分别处理,将每个IMF和残差的预测结果加总整合得到最终的预测值.以甘肃省酒泉市降水量序列为例进行案例分析,并与其它预测方法进行比较.结果表明,本文提出的方法效果较好.与此同时,为了验证这个模型具有良好的预测精度和强泛化特性,将该方法用于甘肃省敦煌、玉门镇这两个地区的月降水量预测,同样取得理想的效果.研究中发现,SIA可提取原始数据中的季节成分,避免季节因子对月降水量的影响;EEMD方法可有效分解具有高波动、非线性的降水量时间序列,保留其原有的特性以及不同时间尺度的分布规律;PACF和交叉验证分别用来确定GRNN输入层神经元的数目和优化GRNN中的参数,规避了人为确定这些因子不精准的缺点;而GRNN和SARIMA发挥其自身优势,对不同频率的时间序列分别预测.这个模型在有效地继承了这几个方法优点的同时,也兼顾了原始序列自身的特性,对解决高波动、非线性序列的预测问题非常有价值.通过与其他预测方法比较,发现该模型对解决该类问题有较高的预测精度和较好的泛化能力.