随着城市化进程的加快,城市雨水管理问题日益凸显。为缓解城市化进程带来的城市内涝、水资源紧缺、水体污染等一系列问题,我国提出建设自然积存、自然渗透、自然净化的“海绵城市”,恢复天然水循环。在海绵城市建设过程中,通常采用年径流总量控制率、径流污染削减率等刚性指标对其建设成效进行评估预测。然而,目前对于海绵城市径流量及径流污染的估计依赖于流域机理性分布式水文模型或者大量在线监测设施,缺乏简单高效的评估及预测工具。目前国内外常用的城市流域水文模型以美国EPA SWMM及其衍生的一系列商业软件为主,它们属于机理模型,具有“过程驱动”的根本特征,存在着参数众多复杂、模型率定困难、对技术人员的专业要求高等局限性。随着大数据、云计算等高新技术的不断发展,以在线监测大数据为支撑的人工智能模型成为城市雨水模型的发展趋势。其中,以人工神经网络（ANN）为代表的数据驱动模型由于具有良好的构建复杂非线性映射的能力已经在模拟天然河流水文等方面得到了应用。随着海绵城市建设模式在我国的大力推广,快速准确预测海绵城市建设指标的需要日趋紧急。针对海绵城市建设过程中频繁需要对径流总量控制、径流峰值控制、径流污染控制等指标完成情况进行评估和预测这一重大技术需求,以国家级海绵城市试点重庆悦来新城国博中心片区为研究区域,基于2019～2020年间8个监测站点的径流实测数据,开展了数据驱动模型对于建有径流控制设施的流域的径流进行评估及预测的研究。本研究探究了逐步回归分析和主成分分析变量预处理方法,探讨了变量预处理算法和数据驱动模型之间的耦合模式,构建并研究了多元线性回归及BP神经网络对于具有海绵设施区域的径流量、峰值流量及污染负荷的预测性能和精度。研究以降雨要素、下垫面条件、低影响开发设施规模等因子作为原始变量,利用逐步回归分析对原始变量进行筛选分别构建了径流总量预测、径流峰值流量预测和径流污染负荷预测多元线性回归模型;利用主成分分析对原始变量进行降维处理分别构建了径流总量预测、径流峰值流量预测和径流污染负荷预测BP神经网络模型。用多种综合指标对两类模型进行有效性评价并对两类模型进行了对比。主要研究内容及结论如下:（1）海绵城市径流总量预测多元线性回归模型和BP神经网络模型通过逐步回归分析筛选出对径流总量具有显著影响的原始变量构建了径流总量预测多元线性回归模型。对原始变量进行主成分分析,由主成分分析得到的六个主成分作为输入变量构建了径流总量预测BP神经网络模型。由测试集的预测结果得出,径流总量多元线性回归模型R~2为0.6208;径流总量BP神经网络模型R~2为0.8475。相比于多元线性回归模型,BP神经网络模型将NSE的值提升了36.6%,将RMSE的值降低了13.5%,将R~2的值提升了36.5%。结果表明,BP神经网络可以更有效的预测海绵城市径流总量。（2）海绵城市径流峰值流量多元线性回归模型和BP神经网络模型与海绵城市径流总量预测模型类似,利用逐步回归分析筛选变量构建了径流峰值流量多元线性回归模型。通过主成分分析得到的六个主成分构建了径流峰值流量BP神经网络模型。在测试阶段,径流峰值流量多元线性回归模型R~2为0.4505;径流峰值流量BP神经网络模型R~2为0.8078。与多元线性回归模型相比,BP神经网络模型将NSE的值提升了71.3%,将RMSE的值降低了38.8%,将R~2的值提升了79.3%。径流峰值流量BP神经网络模型在预测效果方面有了非常显著的提升。（3）海绵城市径流污染负荷多元线性回归模型和BP神经网络模型首先,根据原始监测数据计算了场次降雨径流污染物平均浓度（EMC）。根据逐步回归分析的筛选结果构建了径流污染负荷多元线性回归模型。通过主成分分析得到的六个主成分构建了径流污染负荷BP神经网络模型。径流污染负荷多元线性回归模型测试集的R~2为0.5557,径流污染负荷BP神经网络模型测试集的R~2为0.8161。相比于多元线性回归模型,BP神经网络模型将NSE的值提升了41.7%,将RMSE的值降低了35.8%,将R~2的值提升了46.9%。结果表明,BP神经网络在径流污染物的预测方面同样具有良好的效果。总体来看,BP神经网络模型对于径流总量、径流峰值流量以及径流污染负荷三个海绵城市建设成效评价的关键指标表现出更优的预测性能。由于降雨径流关系是自然当中最复杂的水文现象之一,而多元线性回归在捕获线性关系方面具有比较好的效果,因此对于非线性关系具有更好拟合能力的BP神经网络在所构建的三类模型当中均具有更好的效果。在具体的径流控制设施的规划与设计过程中,利用相关模型对其径流量控制效果进行评估预测是保障海绵城市建设科学性、经济性的前提。本研究构建的两种数据驱动模型框架为类似地理条件的新开发地区的海绵城市建设及径流控制设施的设计提供了低成本高精度的计算工具,使得决策者和规划者可以在流域总体规划之初,更科学精准的规划布局径流控制类绿色基础设施。