含沙量预测对河道治理、水库调度及水沙灾害防控至关重要，针对日含沙量点预测精度不足及预测不确定性量化缺乏等问题，提出基于改进徒步优化算法（GHOA）、变分模态分解（VMD）、门控循环单元（GRU）和卷积神经网络（CNN）的含沙量点与区间预测模型（GHOA-VMD-GRU-CNN）。首先采用GHOA优化VMD分解原始含沙量序列；其次构建GHOA-VMD-GRU点预测模型，利用GHOA优化GRU得到点预测结果；然后引入GHOA-VMD-GRU-CNN区间预测模块生成90%、85%、80%置信水平的预测区间并校正；最后将点预测结果与校正后的分位数点进行叠加得到区间预测结果。通过实例分析，并与其他模型相比发现，所提点预测模型N

NSE

达0.951、K

KGE

达0.837 1

显著优于对比模型；区间预测模型在三种置信水平下的覆盖率分别为90.2%、85.1%、80.2%

标准化平均宽度均小于0.045

兼具高可靠性与紧凑性，可为水沙风险管理提供多维度决策支持。