1.一种基于IVMD‑LSTM‑EBLS的水文时间序列预测模型构建方法，其特征在于，所述方法包括如下步骤：步骤1、数据准备：获取历史记录中水文时间序列数据，确定训练集和测试集；

步骤2、利用IVMD分解和重构训练集的原始水文时间序列：中心频率法和皮尔逊相关系数法确定分解模态数K；剩余指数最小化准则确定步长τ；

S2.1、利用VMD将原始水文时间序列分解成K个模态，并获得每个IMF的中心频率值，分析中心频率，确定最终K值；

S2.2、引入残差指数法确定更新步长τ；当残差指数REI值最小时，采用当前τ的取值进行VMD分解得到的各模态分解信号叠加重构后最接近原始水文时间序列；

设置τ初始取值范围为[0,1]，步长为0.01，对确定好K值的原始水文时间序列进行若干次VMD分解，计算对应当前τ值的REI值，得到REI取得最小值时τ的取值；

REI计算如下式：

其中，K表示分解模态数，N为分解信号长度， 为第i个信号分解后的第k个模态分量，fi为第i个信号的原始信号；

S2.3、采用皮尔逊相关系数法，将K个IMF分别与原始水文时间序列做皮尔逊相关系数分析，排除相关性最小的IMF，剩余的IMF进行重组获得新的时间序列数据；

步骤3、数据重构：将IVMD分解后的一维模态分量IMF数据，叠加重构为包括时间步长、样本数和特征数的三维数据，作为两层LSTM模型的第一层输入数据；

步骤4、使用两层LSTM模型对重构的三维数据进行特征提取，每一层LSTM后增加Dropout层，得到初步的水文时间序列数据特征；

步骤5、利用EBLS对步骤4得到的数据特征进行深层特征提取，完成预测模型的构建，利用训练集对预测模型进行训练，得到预测模型最终权重值和阈值；

利用EBLS进行深层特征提取的过程为：

将前两层LSTM提取的特征信息数据作为BLS输入数据；利用LSTM传输来的输入向量与输出门之间的权重作为BLS的初始权重进行线性变换生成映射特征；

通过映射特征生成多个映射节点；将映射节点进行线性变换生成增强节点；

映射节点和增强节点通过矩阵求逆计算权重值；结合BLS记忆单元中输入门和遗忘门的权重值和阈值对矩阵求逆得到的权重值进行校正，得到最终权重值和阈值；

计算方法如下式：

Zi＝φ(XWxoi+βxoi),i＝1,…,n

其中，Zi为最终权重值，φ为激活函数，X为输入向量，Wxoi、βxoi为LSTM模型中输入向量与输出门之间的权重值和阈值，n为特征节点的窗口个数；

步骤6、将测试集输入训练完成的预测模型中，验证方法可行性和提出模型的性能。