1.一种基于卷积优化算法和Pyraformer神经网络的径流区间预报方法，其特征在于，包括以下步骤：步骤1：采集数据，包含径流区域的地理潜在依赖序列、临近序列、周期性重复序列、历史气象序列；

步骤2：定义覆盖率指标PICP、平均宽度指标PINAW、对称性指标PIS；

步骤3：采用卷积优化算法优化Pyraformer神经网络模型作为径流区间的预测模型；

步骤4：使用步骤1中的数据运行步骤3得到的径流区间预测模型，获得径流区间预测模型的参数可行域；利用步骤2中的指标定义卷积优化算法的复合目标函数CSWC作为模型的适应度函数，并在参数可行域范围内优化径流区间的预测模型参数；

步骤5：将步骤1中的数据集输入步骤4中优化参数后的径流区间预测模型，提取数据的时、空维度特征，并结合全连接预测输出层预测径流区间取值的上、下边界；利用步骤2中的指标对预测的径流区间的上下边界进行准确度评价及修正；

步骤6：计算预测径流区间的上下边界误差，获得误差数据，并将误差数据送入优化参数后的径流区间的预测模型，获得误差数据的预测结果；

步骤7：设计误差校正策略，并将误差数据的预测结果送入误差校正策略，获得最终的区间预测结果；

其中，步骤1所述的数据为包含|V|＝N个子流域的控制站点，子流域控制站点集合定义为V＝{v1,...,vn,...,vN}，vn表示第n个子流域控制站点；子流域控制站点之间的依赖矩阵为LZ＝{Lgeo,Lrel}，其中Lgeo为地理邻接矩阵，Lrel为潜在空间依赖关系邻接矩阵；

对于任意两个不同的子流域i和j，其地理邻接矩阵和潜在空间依赖关系邻接矩阵分布表示为：其中，CEPMI(vi,vj)表示子流域i和j间的Copula熵偏互信息；Lrel＝1，表示子流域i和j的偏互信息大于给定的阈值δ；

根据任意两个不同子流域i和j地理邻接矩阵和潜在空间依赖关系邻接矩阵分布，沿时间轴截取下标为Tg时间序列为地理潜在依赖序列分析流域径流过程对周期性和临近时刻的时间依赖性，沿时间轴分别截取下标为Th、Tp和Tm时间序列片段为模型在临近序列、历史气象序列、周期性重复序列组件的输入，t0时刻序列集分别表示为设 表示在子流域n在t时刻的径流值，则 为所有子流域在t时刻的

径流值的集合，即目标值；

构建样本集(xt,Yt),t＝1,2,..,N，N表示子流域数量，即样本点数量，其中xt＝[L,K,P,TT]为输入数据集，包含地理潜在依赖序列L、临近序列K、周期性重复序列P、历史气象序列T数据信息；

其中，步骤2所述的指标分别为：

覆盖率指标PICP：

当目标值被预报区间覆盖时布尔函数ci的值为1，否则为0；

平均宽度指标PINAW：

对称性指标PIS：

其中，N表示子流域数量，R为目标向量的取值范围，i为子流域，yi表示第i个子流域在t时刻的径流值；LBi和UBi分别表示yi的下限和上限；

其中，步骤4所述复合目标函数CSWC公式如下：

其中，a,b为指标的权重值，CSWC越小说明预报区间覆盖率越高，宽度越小，对称性越高；

在CSWC函数中，用平均宽度指标PINAW作为主要衡量指标，a被设置为一个较大的值来确保预报区间的覆盖率较优，进而得到较为理想的预报区间，CSWC函数中覆盖率指标PICP、平均宽度指标PINAW和对称性指标PIS之间用和的形式以避免乘积形式中平均宽度指标PINAW为0的极端情况，即预报区间的上下边界重合，预报宽度为0；

其中，步骤5所述评价的方法为：

当覆盖率指标PICP的值接近1，表明预报区间覆盖的实测值越多，径流区间的预测模型的效果越好；平均宽度指标PINAW在一个有效的预报区间在具有较高覆盖率的情况下，宽度尽可能窄，说明预报区间包含有效信息；

当预报区间覆盖了实测值，对称性指标PIS取值在0‑0.5之间；当实测在预测区间的中央，即对称性最佳情况，对称性指标PIS取值为0；当对称性指标PIS取值越接近0，表示预测区间关于实测值的对称性越好；当实测值小于预测区间下边界，且大于预测区间上边界，表明对称性指标PIS取值大于0.5，预报区间对于实测值的不对称性程度高；

所述修正的方法为：根据预测区间的上下边界计算覆盖率指标PICP、平均宽度指标PINAW和对称性指标PIS的评价结果，给定置信概率100(1‑α)％，通过以下公式对不能满足指标的预报区间预测进行修正：其中， 预报径流区间取值的上边界、下边界，α为显著性水平，则预报区间表示为 目标向量位于预报区间 的概率表示为i为子流域；

其中，步骤7所述的误差校正策略的设计过程为：

根据优化参数后的径流区间预测模型的预测结果 和 计算覆盖率指标PICP值；

若覆盖率指标PICP值高于设定的置信水平，调整策略如下：

当上边界误差UB_Erri为正时，表示上边界预测结果UB_Errpre大于设定的上边界UBcon，则上边界预测结果UB_Errpre减去上边界误差UB_Erri，以减小预报区间的宽度；

当上边界误差UB_Erri为负时，表示上边界预测结果UB_Errpre小于设定的上边界UBcon，则上边界误差UB_Erri转换为零，以避免增加预报区间宽度；LB_Erri的调整策略与UB_Erri相反；

若覆盖率指标PICP值低于设定的置信水平，调整策略为：上边界误差UB_Erri和下边界误差LB_Erri保持不变，以确保预报区间边界接近设定的区间边界；当覆盖率指标PICP增加时，预报区间的质量得到改善；

经过误差校正策略获得最终的区间预测结果表示为：

其中，UBcal和LBcal分别表示校正上边界和校正下边界，LB_Errpre为下边界预测结果。

2.根据权利要求1所述的基于卷积优化算法和Pyraformer神经网络的径流区间预报方法，其特征在于，步骤3所述采用卷积优化算法优化Pyraformer神经网络模型的方法为：引入卷积优化算法COA，对Pyraformer神经网络模型的参数包括学习率、隐藏层数、细节点个数参数进行优化，以提高模型的收敛速度，具体优化过程为：输入初始化种群个数，个体位置的维度，最大迭代次数，卷积核参数和适应度函数；进行位置更新策略；更新全局最优解及其位置；输出最优解赋值于Pyraformer神经网络模型的参数。

3.根据权利要求1所述的基于卷积优化算法和Pyraformer神经网络的径流区间预报方法，其特征在于，步骤4所述获得径流区间预测模型的参数可行域的方法为：将径流区间预测模型的参数初始化，输入数据，获得径流区间预测模型的最优参数集合θ，对集合θ作小幅扰动，扰动大小为ω，获得参数可行域F，可行域F表示为：F＝[θ‑ω≤θ≤θ+ω]。

4.根据权利要求1所述的基于卷积优化算法和Pyraformer神经网络的径流区间预报方法，其特征在于，步骤5所述的预测径流区间取值的上、下边界，具体过程为：将地理潜在的依赖序列、临近序列、周期性重复序列、历史气象要素序列构建成大的矩阵数据集送入径流区间的预测模型中，使用粗尺度构建模块CSCM构建一颗多分辨率C元树，其中粗尺度节点总结了相应细尺度C节点的信息；引入了金字塔注意力模块PAM进一步捕获不同范围的时间空间依赖性，并利用金字塔图中的注意力机制传递消息；采用全连接网络的输出直接作为区间预报上下边界的预测，较大值作为预测区间的上边界，较小值作为预测区间的下边界。

5.根据权利要求1所述的基于卷积优化算法和Pyraformer神经网络的径流区间预报方法，其特征在于，步骤6所述误差数据表示为：式中，UB_Erri、 和UBcon分别表示上边界误差、预报上边界和设定的上边界；LB_Erri、 和LBcon分别表示下边界误差、预报下边界和设定的下边界；其中预报边界 和是径流区间预测模型预测结果并通过三个指标进行结果修正后的值，i为子流域；

所述获得误差数据的预测结果的方法为：将上述UB_Erri和LB_Erri误差数据输入径流区间的预测模型中得到误差数据的预测结果，分别为上边界预测结果UB_Errpre和下边界预测结果LB_Errpre。