1.一种水文预报智能方法，其特征在于，包括以下步骤:S1、收集水文预报断面的流量，对所述流量按照预设时段进行逐时段检验，若任一时间段的流量存在异常或者缺失，则对该时间段存在异常或者缺失的流量进行修正并更新流量数据；按照如下公式对预设时段进行逐时段检验: , ，其中， 表示时段 的实测流量； 表示时段 的允许误差； 表示数据总数； 、 分别表示调整系数；S2、将流量划分为 个具有不同频率信息的分量序列，并对分量序列进行归一化处理，获得归一化处理后的分量序列；具体包括以下子步骤：S2.1、采用变分模态分解方法对流量划分为 个具有不同频率信息的分量序列: ，其中, 表示第 个分量序列；S2.2、对步骤S2.1中的分量序列按如下公式进行归一化处理： ，其中， 、 分别表示第 个分量序列在时段 的归一化数据、原始数据；获得归一化处理后的分量序列如下式： ，其中， 表示第 个归一化分量序列；S3、对归一化处理后的分量序列按照预设比例划分为训练集和测试集；S4、以训练集为基础，构建门控循环单元预测模型，采用自适应优化算法获得最优预测模型以及该模型的最优参数；具体包括以下子步骤：S4.1、令分量序列计数器 ，令内循环计数器 ，在可行域内随机生成 个个体如下式： ，其中 表示第 次迭代时第 个个体； 表示第 次迭代时第 个个体的第 个变量值； 表示变量数目；S4.2、对每个个体，根据模型参数 、训练集 计算得到对应的门控循环单元预测模型，而后利用下式计算对应的适应度值： ，其中 表示第 次迭代时第 个个体对应的门控循环单元预测模型； 表示适应度值计算函数； 和 分别表示训练集 中的输入样本集合、输出样本集合；P为训练集的样本数;S4.3、按如下公式计算第 次迭代时的全局最优个体 ： ；S4.4、利用变异勘探策略按如下公式更新所有个体的位置： ， ， ，其中， 表示[0,1]区间均匀分布的随机数, ； 表示循环次数； 、 分别表示第 次迭代时第 个更新个体、中间个体； 、 分别表示变量的上限、下限； 表示 区间均匀分布的随机数；S4.5、令内循环计数器 ；并判断循环次数是否达到预设最大次数，若是，则以最后一次迭代得到的 作为第 个归一化分量序列的最佳模型参数，对应模型记为 ，否则返回执行步骤S4.2；S4.6、令分量序列计数器 ，判断 是否小于等于 ，若是，则返回执行步骤S4.1，否则，停止计算，获得所有归一化分量序列的最优预测模型；S5、以步骤S3中样本分量序列为输入，应用步骤S4获得的最优预测模型，获得分量序列的预测值；S6、对分量序列的预测值进行叠加，按如下公式对所有分量序列的预测值进行叠加获得最终的预测值： ，其中， 表示最终预测值； 表示第 个分量序列的权重值， 表示第 个分量序列的预测值。
2.根据权利要求1所述的一种水文预报智能方法，其特征在于，步骤S3中，按如下公式对第 个归一化处理后的分量序列划分为训练集 和测试集 ： ， ，其中， 、 分别表示训练集 中的输入样本集合、输出样本集合； 、 分别表示测试集 中的输入样本集合、输出样本集合，P为训练集的样本数，M为预设前期影响因子数。
3.根据权利要求2所述的一种水文预报智能方法，其特征在于，步骤S5中，按如下公式获得分量序列的预测值； ，其中， 表示第 个分量序列的预测值。
4.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至3中任一项所述方法的步骤。
5.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至3中任一项所述方法的步骤。
