及时、准确地预测城市降雨径流,从而制定合理的内涝防治措施,对于维护正常的社会经济秩序和保障人民的生命及财产安全具有重要意义。由于城市地表径流受地域地貌、下垫面类型、降雨量大小及雨型特征等多方面因素的影响,要实现对其实时、准确的预测是一项十分困难的工作。降雨径流物理预测模型不仅建模条件复杂、预测性能不稳定,且求解十分困难。基于智能算法的降雨径流数据驱动模型在解决高强非线性的径流时间序列问题上具有强大的优势,近些年逐渐成为流域模拟研究的热点。论文以重庆市两江新区悦来新城某地块为对象,构建了基于奇异谱分析–轻型梯度提升机（SSA-LightGBM）架构的数据驱动模型,用于研究区域降雨径流的实时预测模拟,并通过分析比较SSA-LightGBM与长短期记忆（LSTM）模型、随机森林（RF）模型、轻型梯度提升机（Light GBM）模型等几种常用于径流预测的数据驱动模型的预测效果,验证了模型的性能。主要研究内容和成果如下:（1）分析了研究区域径流序列的水文特征。采用自相关法对序列进行相关性检验,结果表明当滞后阶数为1时,径流序列的自相关系数平均为0.861,具有强正相关性;当滞后阶数增大至6时,径流序列的自相关系数介于0.2～0.4之间,存在弱相关性;单场径流事件分析结果显示径流序列呈现左偏分布,且选取的39场径流事件中,峰值类型为单峰、双峰、多峰的径流事件分别占47%、38%和15%,多峰径流事件占比最少。（2）构建了基于SSA-LightGBM架构的降雨径流数据驱动耦合模型,针对Light GBM模型在处理强非线性序列数据时的不足,采用奇异谱分析法（SSA）对径流序列数据进行分解重构,提取了径流序列的趋势特征、波动性特征和噪声分量,通过剔除噪声并重构出两种具有不同特征的序列数据,使得SSA-LightGBM耦合模型具有更强的专一性和敏感性。（3）设计了模型超参数自动优化程序,解决了在径流实时预测时随着数据量的增加,模型无法自动更新超参数的问题;采用基于贝叶斯理论的TPE优化算法分别优化了LSTM、RF、Light GBM和SSA-LightGBM四种模型的超参数,结果表明,优化后的超参数能够使模型发挥出最佳性能。（4）将SSA-LightGBM耦合模型用于研究区域降雨径流模拟研究,并与四种常用于径流预测的数据驱动模型进行比较,结果表明,LSTM的预测精度随着输入步长的增加而升高,RF、Light GBM和SSA-LightGBM则在特定输入步长下预测精度最好,因此实际应用中应通过试验测试模型的最佳输入步长;在最佳输入步长、不同预测步长时,SSA-LightGBM耦合模型的NSE系数最大可达0.941,相比LSTM、RF、Light GBM分别提高了11.8%、7.6%和7.5%;在训练和测试时间上,SSA-LightGBM耦合模型耗时（t=10.450 s）不足LSTM（t=131.400 s）模型的1/13,能够很好地满足实时预测对计算时间的要求;单场径流事件下,SSA-LightGBM耦合模型的整体预测性能和峰值流量预测均优于LSTM、RF和Light GBM模型,能够应用于城市降雨径流实时预测领域。