针对月降水量时间序列多尺度非平稳性特点，提出小波包分解（WPD）-白骨顶鸟优化算法（COA）-极限学习机（ELM）相融合的降水量预测模型。首先，利用WPD将非平稳月降水量时间序列分解为若干子序列分量；然后在不同维度条件下利用6个典型函数对COA进行仿真测试；利用COA优化ELM输入层权值和隐含层偏值，对每一个子序列分量分别建立COA-ELM模型进行预测，将预测结果叠加重构后即为最终预测结果；最后，以云南省龙潭站汛期和主汛期月降水量数据为例进行实验，并与WPDCOA-BP、WPD-ELM、WPD-BP预测模型进行比较。结果表明：COA在不同维度条件下均具有较好的寻优精度和全局搜索能力。WPD-COA-ELM模型对实例汛期、主汛期月降水量时间序列预测的平均绝对百分比误差分别为3.91%、3.59%，预测精度优于WPD-COA-BP模型，远优于WPD-ELM、WPD-BP模型。WPD能科学降低月降水时间序列数据的复杂性，提高预测效果；COA能有效优化ELM输入层权值和隐含层偏值，提高ELM网络性能。
0 引言
1 研究方法
1.1 小波包分解（WPD)
1.2 白骨顶鸟优化算法（COA)
1.2.1 COA算法数学描述
1.2.2 COA仿真验证
1.3 极限学习机（ELM)
1.4 WPD-COA-ELM建模流程
2 实例应用
2.1 小波包分解时序数据
2.2 时间序列建模
2.3 参数设置及预测分析
2.3.1 参数设置
2.3.2 预测结果分析
3 结论
