1.一种基于VMD分解和IHHO优化LSTM的径流预测方法，其特征在于，包括以下步骤：(1)获取水文站点的历史径流数据，对数据进行预处理和归一化，获得径流序列x(t)；

(2)对处理好的数据进行变分模态分解，得到一组子模态；

(3)对哈里斯鹰算法HHO进行优化，并使用优化过的哈里斯鹰算法对长短期记忆网络LSTM的隐含层节点个数，学习率进行寻优，并将所得最优参数赋给LSTM对每个子模态进行训练，建立IHHO‑LSTM预测子模型；

(4)对各个子模态分别进行测试得到预测值，将所得子模态的预测值聚合和反归一化得到VMD‑IHHO‑LSTM的最终预测值并进行误差分析，利用误差指标进行性能评价。

2.根据权利要求1所述的基于VMD分解和IHHO优化LSTM的径流预测方法，其特征在于，步骤(1)所述数据预处理包括数据清洗和缺失值的填补。

3.根据权利要求1所述的基于VMD分解和IHHO优化LSTM的径流预测方法，其特征在于，所述步骤(2)包括以下步骤：

(21)将历史径流序列x(t)分解为q个IMF，且每个模态都为具有有限带宽的模态且所有模态的带宽和最小，则带约束条件的变分表达式为：其中，uq(t)，ωq(t)分别为分解后第q个模态和其对应的中心频率，δ(t)为狄拉克函数，j是复数的意思， 是对t的偏导数；

(22)引入拉格朗日乘法算子λ和二次惩罚因子α，将约束问题转变为非约束问题，扩展的拉格朗日表达式为：

其中，α是二次惩罚因子可以降低高斯干扰的噪声，保证信号的精度，λ是拉格朗日乘法算子；

(23)初始化迭代次数n＝0，初始化 更新 更新过程为：将进行傅里叶变换，将 转变到频域，分别为n+1

其中， 表示第q个子模态经过n次迭代后得到的值，λ (ω)表示经过n次迭代后拉格朗日乘子的值， 表示第q个子模态所对应的中心频率经过n次迭代后得到的值，是x(ω)的傅里叶变换，γ是拉格朗日乘子的更新步长参数；

(24)当满足迭代条件时，停止迭代，迭代条件为：其中，ε＞0为精度收敛判定条件，是预先设定的， 为原始输入信号x的傅里叶变换；

为 的傅里叶变换。

4.根据权利要求1所述的基于VMD分解和IHHO优化LSTM的径流预测方法，其特征在于，所述步骤(3)包括以下步骤：

(31)建立LSTM神经网络，将LSTM网络待优化的参数作为种群的维度大小d，其中待优化参数为隐含层节点个数nunHiddenUnit和学习率InitialLearnRate，维度大小为2，第一维是隐含层节点个数，第二维是学习率，其中隐含层节点个数和学习率都为正数，隐含层节点个数为整数；

(32)设置哈里斯鹰种群为N并用混沌算法初始化哈里斯鹰种群，迭代次数T，解空间的上下限[lb,ub]，其中混沌初始化采用Circle映射；

(33)计算哈里斯鹰种群每个个体的适应度值，并找出种群中适应度值最优的个体作为猎物xr，初始化初始逃逸能量E0；

(34)计算猎物逃逸能量E，用变量E来表现猎物的运动状态和哈里斯鹰的执行状态，其中逃逸能量E的表达公式为：

其中，E0是初始逃逸能，t是迭代次数；

(35)当|E|≥1时进入探索阶段，哈里斯鹰更新种群的位置如下：当q≥0.5时，哈里斯鹰会随机选择一颗树作为栖息位置，更新公式为：X(t+1)＝Xd(t)‑r1|Xd(t)‑2r2X(t)|当q＜0.5时，哈里斯鹰根据其他家庭成员的位置和猎物的位置来更新自己的栖息位置，更新公式为：

X(t+1)＝[Xr(t)‑Xm(t)]‑r3[lb+r4(ub‑lb)]其中，X(t+1)是下一次哈里斯鹰所处的位置，X(t)是当前哈里斯鹰的位置，Xd(t)是随机选取的位置，Xr(t)是猎物的位置，Xm(t)是种群的平均位置，t是迭代次数，r1,r2,r3,r4是区间[0，1]中的随机数；

(36)当|E|＜1时进入开发阶段，哈里斯鹰更新种群位置如下：当0.5≤|E|且r≥0.5时，哈里斯鹰通过软包围猎取猎物，位置更新公式为：X(t+1)＝ΔX(t)‑E|JXr(t)‑X(t)|当|E|＜0.5且r≥0.5时，哈里斯鹰通过硬包围轻松猎取猎物，位置更新公式为：X(t+1)＝Xr(t)‑E|ΔX(t)|当0.5≤|E|且r＜0.5时，哈里斯鹰采取渐进式快速潜水软包围猎取猎物，若哈里斯鹰更新后位置比前一位置好则选取公式(A1)，否则选取公式(A2)，位置更新公式为：X(t+1)＝Xr(t)‑E|JXr(t)‑X(t)|                  (A1)X(t+1)＝Xr(t)‑E|JXr(t)‑X(t)|+S*LF(D)        (A2)当|E|<0.5且r<0.5时，哈里斯鹰采取渐进式快速俯冲硬包围猎取猎物，若哈里斯鹰更新后位置比前一位置好则选取公式(B1)，否则选取公式(B2)，位置更新公式为：X(t+1)＝Xr(t)‑E|JXr(t)‑Xm(t)|               (B1)X(t+1)＝Xr(t)‑E|JXr(t)‑Xm(t)|+S*LF(D)        (B2)其中，LF是莱维飞行的数学表达式，D和S是求解问题的维度和随机向量；

(37)通过步骤(32)‑(36)对种群进行更新，用爬山算法对更新后的种群进行局部搜索，取最优适应度值的个体作为最优解，将最优解作为最优参数；

(38)将所得最优参数赋给LSTM对每个子模态进行训练，建立IHHO‑LSTM预测子模型。

5.根据权利要求4所述的基于VMD分解和IHHO优化LSTM的径流预测方法，其特征在于，所述步骤(32)具体包括以下步骤：(321)随机生成一个向量Y＝[yi1,yi2,...,yid]，且每个分量都在[0,1]之间；

(322)采用Circle映射得到混沌序列：(323)将混沌序列的各个分量映射回取值范围：yij＝lb+(ub‑lb)yij(324)得到M个个体构成种群，从中任意抽取N个构成哈里斯鹰种群；其中N≤M，i＝1,

2,…,M表示随机生成的种群的大小，j＝1,2,…,d表示维度大小，sin是正弦函数，π是圆周率，yij表示中群里第i个且维度大小为j的个体，mod是运算符号。

6.一种采用如权利要求1‑5任一所述方法的基于VMD分解和IHHO优化LSTM的径流预测系统，其特征在于，包括数据处理模块、算法优化模块、参数确定模块、径流预测模块和性能评价模块；

所述数据处理模块，获取水文站点的历史径流数据，并建立径流时间序列；对数据进行预处理和归一化，将处理好的数据进行变分模态分解；

所述算法优化模块采用混沌初始化和爬山算法对哈里斯鹰算法进行优化；

所述参数确定模块确定哈里斯鹰的种群大小，算法的迭代次数，维度大小，并用优化后的哈里斯鹰算法优化LSTM的相关参数，隐含层节点个数nunHiddenUnit，学习率InitialLearnRate为模型的相关参数；

所述径流预测模块将优化后的参数赋给LSTM并对每个子模态进行训练，建立VMD‑IHHO‑LSTM的预测模型，应用预测模型对径流序列进行预测；

所述性能评价模块选取均方根误差RMSE、平均绝对误差MAE、决定系数R，平均绝对百分比误差MAPE四种误差指标对预测模型的性能进行评价。