降水量预测是人类社会正常运转的重要组成部分,准确的预测结果对交通、农业和公共安全等都具有重要的意义。长短期记忆网络(LSTM)作为一种基于数据驱动的时间序列预测模型,在降水量预测方面表现出了良好的性能。但在使用时往往需要具有丰富经验的领域专家对模型的超参数进行人工配置,并不断地进行调整和优化,不仅增加了模型的使用难度,而且带来了较高的人工成本。针对这一问题,提出了基于进化算法的LSTM降水量预测方法体系。该方法体系从优化理论的角度对LSTM降水量预测模型的超参数搜索空间进行了定义,并以降水量预测精度为进化目标,分别利用遗传算法(GA)和交叉熵遗传混合算法(CEGA)在超参数空间中智能选择最佳的超参数组合,确定预测效果最好、泛化能力最优的LSTM降水量预测模型,进而分别形成了基于遗传算法的LSTM降水量预测模型—GA-LSTM模型和基于交叉熵遗传混合算法的LSTM降水量预测模型—CEGA-LSTM模型。数值实验对比结果表明:GA-LSTM模型和CEGA-LSTM模型在降水量预测中具有较高的准确性,并兼具了自适应、简便、易于推广等优良特性。基于两种模型的降水量预测方法不仅提高了传统方法的预测精度,而且实现了超参数组合的智能寻优,具有一定的理论和现实意义。该论文有图21幅,表9个,参考文献57篇。