1.一种基于多要素注意力时空图卷积网络的径流预报方法，其特征在于，包括如下步骤：(1)预先获取流域内径流水文相关历史数据，并对历史数据进行预处理；

(2)提取流域上下游站点的拓扑关系，将气候变化-人类活动-流域下垫面多要素耦合作用的水资源系统泛化为图结构；

(3)建立基于真实空间邻接关系的地理邻接矩阵，构造基于非相邻子流域径流时序相关关系的潜在依赖矩阵，分析流域径流过程对时间要素、周期要素、气象要素以及空间要素的多重时空依赖性；

(4)采用四维时空卷积块对地理信息进行特征提取，每一维时空卷积块都包含一层时空注意力机制和一层时空图卷积网络；其中，时空注意力机制捕获径流序列的动态相关性；时空图卷积网络包含两个时间门控卷积层和一个空间图卷积层；搭建基于时间门控卷积和全连接神经网络的输出层，建立基于多要素注意力时空图卷积网络的径流预报模型MASTGCN；

(5)运用均匀初始化方法对初始初始秃鹰种群位置进行初始化；将改进后的多元学习引入到秃鹰搜索优化算法BES中，得到UMBES算法；

(6)利用UMBES对步骤(4)中的MASTGCN模型的包括隐含层节点个数、学习率在内的超参数进行优化，获取对应的最优参数，利用优化后的MASTGCN径流预报模型对未来时刻的径流状况进行预测，得到未来时刻的径流状况预报结果。

2.根据权利要求1所述的一种基于多要素注意力时空图卷积网络的径流预报方法，其特征在于，步骤(1)所述的历史数据包括控制水文站的日、旬、月、年的流量数据集、地理潜在依赖数据集、临近序列数据集、历史气象要素数据集、人类活动趋势数据集。

3.根据权利要求1所述的一种基于多要素注意力时空图卷积网络的径流预报方法，其特征在于，所述步骤(2)实现过程如下：将流域划分为不同的子流域，确定子流域的出口控制站点，将子流域间的空间关系抽象为一个无向无权重图G＝(V,E,A)，展示流域水系与水文站点的物理关系，V表示所有子流域控制站点的集合，各子流域控制站点是图G中的节点；E表示图G中的边集，代表流域干流或支流；子流域控制站点间的邻接矩阵用A＝{A整个流域共有|V|＝N个子流域，则子流域控制站点集合定义为：V＝{v

式中，n代指第n个子流域站点；

令

令

基于图G上所有节点径流以及气象要素的历史时间序列，子流域控制站点在未来时长为TY＝(y

式中，

4.根据权利要求1所述的一种基于多要素注意力时空图卷积网络的径流预报方法，其特征在于，所述步骤(3)实现过程如下：考虑空间上相邻的子流域间存在较大的径流流动性，建立基于真实空间邻接关系的地理邻接矩阵，刻画周边子流域径流对于目标向量的局部空间依赖性；具体地，对于任意两个不同的子流域i和j，其地理邻接矩阵表示如下：式中，

构造基于非相邻子流域径流时序相关关系的潜在依赖矩阵，刻画上下游非相邻子流域间的潜在依赖关系；具体地，对于任意两个不同的子流域i和j，其潜在依赖矩阵表示如下：采用混沌相空间重构理论和Copula熵相关分析定量流域径流过程对时间要素、周期要素以及气象要素的时间相关性及依赖性；

分别利用混沌相空间重构理论和Copula熵相关分析定量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T进一步利用Copula熵相关分析截取下标为T

5.根据权利要求1所述的一种基于多要素注意力时空图卷积网络的径流预报方法，其特征在于，步骤(4)所述采用时空注意力机制捕获径流序列的动态相关性实现过程如下：时空注意力机制自适应地捕获不同时空维节点之间的动态相关性，时空注意力机制包含空间注意力机制和时间注意力机制，分别用于捕获不同站点径流序列互相影响的动态相关性和同一站点不同时间的径流过程之间的相关性；临近序列为例的空间注意力矩阵H表示为：式中，输入数据

临近序列X

T＝U

式中，U

再基于调整后的输入数据进行时空特征挖掘。

6.根据权利要求1所述的一种基于多要素注意力时空图卷积网络的径流预报方法，其特征在于，步骤(4)所述时间门控卷积层由一维卷积神经网络和门控线性单元组成，用于提取水文气象要素在时间维度的特征；计算公式如下：式中，tconv(·)表示一维卷积函数；

采用门控线性单元将划分得到的

7.根据权利要求1所述的一种基于多要素注意力时空图卷积网络的径流预报方法，其特征在于，步骤(4)所述空间图卷积层对流域径流过程的空间特征进行挖掘，并运用一层时间门控卷积层实现时、空卷积层状态的快速传播；空间图卷积层采用K阶切比雪夫多项式对图的拉普拉斯矩阵L进行近似计算，以捕捉图结构数据间的空间依赖性，空间图卷积层的输出F的计算公式如下：式中，gconv(·)表示空间图卷积函数；K为超参数；

得到空间图卷积层的输出F后，再次应用一层时间门控卷积层以实现时、空卷积层状态的快速传播，得到时空卷积块的输出X

其中，H'和T'分别表示归一化后的空间注意力矩阵和时间注意力矩阵。

8.根据权利要求1所述的一种基于多要素注意力时空图卷积网络的径流预报方法，其特征在于，步骤(4)所述搭建基于时间门控卷积和全连接神经网络的输出层实现过程如下：对于经时空卷积块处理后的数据X

式中，⊙为哈达马积，表示矩阵中对应元素相乘；W

9.根据权利要求1所述的一种基于多要素注意力时空图卷积网络的径流预报方法，其特征在于，所述步骤(5)实现过程如下：(51)设置BES算法的目标函数为径流预测预测准确率，确定种群大小、迭代次数、维度大小以及搜索空间的上下限；

(52)采用均匀初始化方法对初始秃鹰位置进行初始化操作，改进后的初始化方式公式如下所示：P

其中，P

(53)将径流预测预测准确率作为目标函数计算适应度值，根据计算适应度得出最优解；

(54)选择阶段，水文站点在选择的搜索空间中识别并选择最佳的区域：P

其中，α是控制位置变化的参数，P

在搜索阶段，每个水文站点在选定的搜索空间内搜索新的相关位置信息，并在螺旋形空间内以不同的方向移动，以加快搜索速度：其中，θ(i)与r(i)分别为第i个水文站点与邻居站点之间建立搜索关联时的螺旋方程的极角与极径；a与R是控制螺旋轨迹的参数，变化范围分别为(5,10)、(0.5,2)；rand为(0,1)内随机数，x(i)与y(i)表示极坐标中第i个水文站点的位置；

(55)引入多元学习策略来更新水文站点的位置信息；将位置随机分为两部分，一部分从当前水文站点位置的历史站点位置中学习，其余从当前水文站点位置中的最优位置中学习，具体实现过程如下：其中，j是小于i的正整数；p

(56)在俯冲阶段，当前水文站点从搜索空间的最佳位置摇摆到它们的目标位置，所有的点也都朝着最好的点移动，其数学表达如公式(25)所示：其中，c1,c2∈[1,2]增加历史水文站点向最佳点和中心点的移动强度。

10.根据权利要求1所述的一种基于多要素注意力时空图卷积网络的径流预报方法，其特征在于，所述步骤(6)实现过程如下：(61)初始化BES算法的相关参数，包括种群、维度、最大迭代次数、搜索空间的上下限和当前迭代次数；

(62)计算经融合模型训练的预测值

(63)根据位置更新策略，更新出种群中每一只秃鹰的位置，算出每个个体的适应度值，并对其进行排序；

(64)利用多元学习策略重新对个体位置进行计算，计算个体位置及个体适应度值，将其与步骤(63)得到的个体适应度值进行比较，选出最优适应度值对应的最优位置；

(65)判断是否达到最大迭代次数，若达到，则输出最优解，并从中提取出MASTGCN模型的超参数，否则返回(63)。