该文以黄河流量过程为对象,研究了流量过程时间序列的随机特性及非线性特征,系统总结了基于单变量流量过程时间序列的中长期预报模型建模方法,并进行了不同模型的预报精度比较.在流量过程非线性特性方面,采用不同方法从不同角度进行了分析.条件期望分析方法对流量过程分析表明,唐乃亥站不同时间尺度的流量过程均表现出非线性特征,并且,在除去了流量过程中的季节性特征后,仍具有一定的弱非线性特征;对唐乃亥站日、月流量过程ARMA模型拟合残差分析表明,唐乃亥站日流量过程具有显著的条件异方差特性,并且可以通过GARCH模型来很好地拟合;在水文序列是否具有混沌特性的研究方面,对已发表文献中的诸多问题进行了探讨,比如序列长度的不足、关联维数等混沌特征参数估计中的主观性、减噪方法的可靠性、可预报长度推断的合理性等,国内发表的许多研究中存在的最突出的问题是使用的数据序列长度过短,不足以获得可靠的关联维数估计;该文采用关联维方法、替代数据法对唐乃亥站不同时间尺度(日、旬、月)的流量过程的进行了分析,结果表明没有存在低维混沌非线性特性的证据,采用最典型的混沌时间序列非线性预报方法--最近邻模型(NNM)对流量过程进行非线性预报,结果表明,非线性预报精度与线性AR模型的预报精度相比并没有得到改善,这一点进一步说明,唐乃亥站的流量过程可以用线性模型描述,而没有存在混沌特性的证据.在流量过程时间序列模型建模方面,系统总结了单变量流量过程时间序列建模的方法,并对唐乃亥站日流量过程拟合了三个线性模型:ARFIMA(3,d,0)、ARIMA(1,1,0)、ARMA(19,1)模型,以及一种非线性预报模型:最近邻模型,对月流量过程拟合了二个线性模型:AR(1)、AR(4)模型以及四种非线性预报模型:自激励门限自回归SETAR模型、周期性自回归PAR模型、最近邻模型NNM以及神经网络模型.预报试验表明:日流量过程的不同模型都具有较好的预报精度,以ARMA(19,1)的模型精度最高;月流量过程预报精度总体上都不太令人满意,以PAR模型相对最好,AR(4)模型其次,对月流量过程建立的径向基函数RBF网络模型的预报精度劣于AR(4)模型,基于采用改进的BP算法的MLP网络模型的预报精度与AR(4)模型相当.在可预报性分析方面,预报试验表明:模型的可预报性与流量过程季节性的自相关结构直接相关,秋、冬季节的可预报性显著好于春夏季;日流量过程的不同模型都具有较好的预报精度,以ARMA(19,1)的模型精度最高,说明流量过程自身信息具有较好的可预报性;对于月流量过程,以PAR模型预报精度最高,但预报精度总体上都不太令人满意,尤其是对于夏季流量,说明仅依靠流量过程自身的信息,可预报性是有限的.通过对典型混沌序列Henon映射序列预报试验,证明简单地以最大Lyapunov指数的倒数定义最大预报时间长度,而不考虑序列长度、噪声水平等因素对预报时间长度的影响,是不可取的.对于水文过程而言,即使果真存在混沌特性,由于噪声的干扰,以此为依据进行水文序列的可预报时间长度推断是没有实际意义的.