1.一种基于改进的WOA‑GRU洪水流量预测方法，其特征在于，包括以下步骤：(1)对预先获取的洪水数据及与洪水相关的环境数据行预处理，并将处理后的各项数据按时间序列转换成为矩阵型数据；

(2)建立随机森林模型对相关的环境数据进行特征选择，将洪水数据及与洪水相关的环境数据作为随机森林模型的输入，训练与洪水相关的环境数据并进行重要性衡量，选择重要性高的作为最优特征集；

(3)对洪水数据以及筛选出的最优特征集进行归一化处理，将其映射到0和1之间，得到样本数据集，并将样本数据集按时间顺序划分为训练集和测试集；

(4)构建GRU模型，初始化模型的参数，包括批处理大小、模型训练次数和dropout值；

(5)初始化WOA算法参数，采用混沌Tent初始化策略生成种群，添加非线性因子和惯性权重对位置更新进行改进，同时加入鲶鱼效应策略，提高鲸鱼优化算法跳出局部最优的能力；利用改进后的WOA算法对GRU模型的隐藏层单元数目n与学习率ε进行寻优，形成改进的WOA‑GRU；

(6)建立改进的WOA‑GRU洪水流量预测模型，利用测试集和预测模型对洪水流量进行预测，输出误差与预测结果；

所述步骤(5)括以下步骤：

(51)初始化鲸鱼算法的种群规模、迭代次数、鲸鱼的位置上下限，利用混沌Tent映射的初始化策略生成种群；

(52)计算种群中所有个体的适应度值，得到并记录当前最优的鲸鱼个体位置向量，查看与上一次迭代的最优位置向量是否相同，若最优位置向量在规定的迭代次数内没有进化，进入(53)；否则，进入(54)；

(53)加入鲶鱼效应策略：将当前所有个体的适应度值按从大到小的顺序进行排名，将后50％个体的位置重新使用混沌初始化，提高鲸鱼算法跳出局部最优的能力；

(54)在基础鲸鱼算法中加入非线性因子a和惯性权重ω，改善算法寻优性能，计算公式分别为：其中，t为当前迭代次数，T为最大迭代次数，λ是调节系数，n是样本数据的个数；

(55)引入参数p、A，p是[0，1]中的一个随机数，A＝2a·r1‑a；计算p与A的值，若p≤0.5且|A|<1，则进入(56)；若，p≤0.5且|A|≥1，则进入(57)；若p>0.5，则进入(58)；

(56)对鲸鱼个体位置向量进行收缩包围迭代更新，更新公式为：X(t+1)＝ω·Xrand‑A·|C·Xrand‑Xt|其中，X是个体所在的位置，t为当前的迭代次数，C是[0，2]中的一个随机数，Xrand是鲸鱼种群中的随机个体；

(57)对鲸鱼个体位置向量进行随机搜索捕食迭代更新，更新公式为：X(t+1)＝ωXbest‑A·|C·Xbest‑Xt|其中，X是个体所在的位置，t为当前的迭代次数，C是区间[0，2]上的随机数，Xbest表示当前种群中的最优个体；

(58)对鲸鱼个体位置向量按式进行螺线捕食迭代更新，更新公式为：bl

X(t+1)＝Dbset·e ·cos(2πl)+(1‑ω)·Xbest其中，X是个体所在的位置，Dbest＝|Xbest‑Xt|表示表示个体X在位置更新之前距离最优个体Xbest的长度，b是常数，l是区间[－1，1]上的随机数；

(59)迭代次数加1，判断是否达到算法的最大迭代次数，若达到最大迭代次数则结束，否则，进入(510)(510)将鲸鱼算法输出的最优解送给GRU模型，最优解为GRU模型当前的最优隐藏层单元数目与学习率，计算训练误差，返回(52)。

2.根据权利要求1所述的基于改进的WOA‑GRU洪水流量预测方法，其特征在于，步骤(1)所述的与洪水相关的环境数据包括降雨量、温度、湿度。

3.根据权利要求1所述的基于改进的WOA‑GRU洪水流量预测方法，其特征在于，所述步骤(2)包括以下步骤：(21)通过随机抽取的方法对相关环境数据进行有放回采样，将数据分为被采样的袋内数据和未被采样的袋外数据；

(22)用袋内数据构建具有N个决策树的随机森林模型，训练袋外数据得到误差ε1；

(23)随机改变袋外数据中某一相关因素特征的值，再通过随机森林模型训练得到误差ε2；

(24)计算该相关因素的重要性A，公式如下：

其中，N为决策树的数量，ε1和ε2是两次训练的误差；

(25)不断改变袋外数据中其它因素的特征，可得到所有与洪水相关因素的重要性，对其进行排序，重要性高的作为洪水流量预测模型的输入。

4.根据权利要求1所述的基于改进的WOA‑GRU洪水流量预测方法，其特征在于，步骤(3)所述的归一化处理的公式为：其中， 是归一化后的样本数据，xi是归一化前的样本数据，xmin是样本数据的最小值，xmax是样本数据的最小值，n是样本数据的个数。

5.根据权利要求1所述的基于改进的WOA‑GRU洪水流量预测方法，其特征在于，所述步骤(4)包括以下步骤：(41)初始化模型参数，包括：批处理大小、模型训练次数和dropout值，隐藏层单元数目与学习率则通过改进后的鲸鱼算法进行寻优确定；

(42)计算重置门的值rt与候选隐含状态 通过rt来控制 的计算是否用到ht‑1，计算公式如下：rt＝σ(Wr·Xt+Qr·ht‑1+br)

其中，σ是激活函数，选择 Wr、Wz、Qr、Qz是连接权值，Xt是t时刻的输入向量，br和bz是偏置向量，ht‑1是t‑1时刻的状态信息，tanh是双曲正切函数，起激活函数的作用；

(43)计算更新门的值ut与当前状态ht，通过更新门的值ut来控制当前状态ht保留上一时刻状态信息的多少和接受候选隐含状态 中信息的多少，计算公式如下：ut＝σ(Wu·Xt+Qu·ht‑1+bu)

其中，σ是激活函数，Wu、Qu是连接权值、Xt是t时刻的输入向量，bu是偏置向量，ht‑1是t‑1时刻的状态信息；当前状态ht即为GRU模型在t时刻的输出。

6.一种采用如权利要求1‑5任一所述方法的基于改进的WOA‑GRU洪水流量预测系统，其特征在于，包括数据获取模块、数据预处理模块、特征提取模块、参数优化模块和流量预测模块；

所述数据获取模块，用于获取洪水以及相关因素的原始数据，包括流量、降雨量、温湿度；

所述数据预处理模块，用于对已获取的原始数据进行预处理，清洗掉异常值，使用样本均值补全缺失值，同时将数据转换成为矩阵型数据；

所述特征提取模块，用于提取相关因素的数据中的特征，通过随机森林模型计算各个样本数据的重要性，并对其进行排序，选择重要性高的因素数据作为预测模块的样本数据集；

所述参数优化模块，用于使用改进后的鲸鱼算法去优化的GRU模型中的隐藏层单元数目和学习率，建立基于改进鲸鱼算法优化GRU的预测模型；

所述流量预测模块，用于利用建立好的洪水流量预测模型，将特征提取模块输出的样本数据的数据输入模型中，通过计算获得预测结果。