1、目的及意义

1.1目的及意义

我国拥有极其丰富的水资源，河流数量多，海岸线较长，其中不乏许多天然的航运通道。长江发源于“世界屋脊”——青藏高原的唐古拉山脉各拉丹冬峰西南侧。干流流经青海、西藏、四川、云南、重庆、湖北、湖南、江西、安徽、江苏、上海11个省、自治区、直辖市，于崇明岛以东注入东海，全长约6300千米，比黄河（5464千米）长800余公里，在世界大河中长度仅次于非洲的尼罗河和南美洲的亚马逊河，居世界第三位。

长江干流自西而东横贯中国中部。数百条支流辐辏南北，延伸至贵州、甘肃、陕西、河南、广西、广东、浙江、福建8个省、自治区的部分地区。流域面积达180万平方公里，约占中国陆地总面积的20%。淮河大部分水量也通过大运河汇入长江。长江已经成为了内陆航运中最为重要的航道。

长江经济带面积约205万平方公里，人口数量约占全国的43%，国内生产总值约占全国的45%，是全国高密度的经济走廊之一，更是中国承上启下、承东启西的核心经济带。^[1]

与其他的运输方式相比，水路运输的花费更小，经济型更强，水路运输在当今的经济活动中所起的作用越来越大。

长江干线航道是我国内陆地区中最为重要的水路运输航道，对长江的水位预测研究具有深远的实际意义。通过对长江水位的预测，可以预判水位的大致变化，进而进行前瞻性的航行路线选择，有助于保障航船的安全通行。

另外，长江电子航道图技术需要对长江干线航道的水位进行预测。将水位信息融入该技术必然使得电子航道图系统具备更加完善的功能，并提供更加智能的服务。^[2]通过对长江水位的短期预测预报，能够更快地促进长江航道信息化，提高航道运行能力，保障航道畅通无阻。

1.2国内外研究现状

国外学者在进行对水位的预测研究时，大量地使用人工神经网络、支持向量机等智能算法，同时也有通过时间序列来预测水位数据的ARIMA模型以及灰色系统理论的GM（1,1）模型。许多学者通过建立多个不同的预测模型，进行对比，以确定更优的模型，或者通过结合不同的智能算法来提高预测精度。

Deo和Chaudhary^[3]在最早的海水水平研究中，建立了三层前馈神经网络，利用参考站的海平面来估算从属站的海平面。

Cox等人^[4]使用了墨西哥湾加尔维斯顿游乐码头的数据建立了人工神经网络模型，从而证明了谐波分析的局限性。

Makarynsky等人^[5]使用人工神经网络预测随后24小时的海平面变化以及西澳大利亚州Hillarys Boat Harbor的半日、每日、每日5次和每日10次平均海平面变化。