径流时间序列是一种具有代表性的时间序列,对其进行相关分析研究已有很多先例,并取得了不错的结果。然而径流时间序列受到多种复杂因素综合影响,使用传统方法不足以分析其中含有的丰富信息,而且也不能进行高效精准的预测,但是径流又对生产生活具有重大影响。所以,对于提升径流预测精度,需要引入新的预测方法、改善预测流程、提高模型预测能力迫在眉睫。本文在对某流域的河段站点上,选取有代表性的位于该流域上下游的A、B两个站点,以传统机器学习和集成学习为研究主题,在收集相关年径流、月径流的数据之后,对径流预测研究的问题依次层层递进,实现了模型运用的探索、模型预测精度的提升、预测模式的改进。本文的主要研究内容及创新点如下:将传统机器学习方法用于径流值预测。首先采用传统机器学习基础方法,依次使用ARMA、KNN、岭回归、SVR、BP、决策树模型分别对年径流、月径流、汛期径流进行预测;然后结合相关评价指标,对预测结果进行评价;最后分析对比各模型结果之间的优缺点,分析传统机器学习模型预测径流存在的局限。将集成学习方法用于径流预测。首先对各项集成学习方法进行系统说明,依据年径流、月径流、汛期径流数据的各自特点,结合理论进行探索数据的处理和划分;然后分别将各种集成学习方法,如随机森林、Ada Boost、GBDT、XGBoost等模型运用于年径流、月径流、汛期径流的值预测,结合指标对结果进行评价;最后对相关模型预测结果进行分析,讨论集成学习间各模型预测的优势、劣势,同时对比传统学习方法指出有改进的地方,实验结果证明集成学习方法比传统学习在径流预测上有很大程度的提升。将集成学习用于径流区间预测。对于径流时间序列具有波动范围大、受多种复杂因素影响、但又具有良好的周期性的特点,结合实际生产需要,区间预测能够提供一定波动范围,对于有汛期、枯期变动的径流序列来说,具有很高的研究价值。首先对本文采用的多种区间预测方法进行介绍,分别有预测前区间波动、预测后区间波动、细粒度间接区间预测三种;然后以月径流为例对区间进行预测,最后结合评价指标对预测结果进行分析。实验证明采用预测后区间波动的方式能够取得较好效果,细粒度间接预测模型能获得更适用于实际生产的区间预测结果。三种方式通过区间预测实例给径流研究提供了新的方向。