摘要
精确的径流预测是水资源管理、防洪以及干旱预警的重要基础。尽管深度学习模型在径流预测方面表现优异，但高维超参数优化问题限制了其广泛应用。为解决这一难题，本研究提出了一种超参数优化策略，将均匀设计与元学习结合到Transformer框架中（UD-ML-Transformer），用于日常径流预测。研究使用1980年至2014年美国里奥普韦布洛德塔奥斯流域的水文气候数据，将该模型与五种基准模型进行了系统性对比测试，这些基准模型包括UD-Transformer、粒子群优化Transformer以及三种基于接纳权重键值模型的模型（PSO-RWKV、UD-RWKV和UD-ML-RWKV）。测试结果显示，UD-ML-Transformer模型在预测精度和峰值流量方面表现最佳，纳什-萨特克利夫效率最高，达到0.906；而均方误差、均方根误差和平均绝对误差分别最低，仅为0.004、0.062和0.034。UD-Transformer的性能位居第二，紧随其后的是PSO-Transformer。这种整合了均匀设计与元学习的超参数优化策略也提升了基于RWKV的模型的性能。与PSO-RWKV和UD-RWKV模型相比，UD-ML-RWKV模型的纳什-萨特克利夫效率提升了0.45%至7.65%，均方根误差则降低了1.47%至21.18%。此外，在美国福特河流域进行的跨流域验证也表明，所提出的UD-ML-Transformer模型性能良好，其纳什-萨特克利夫效率最高，为0.890；而均方误差、均方根误差和平均绝对误差分别仅为0.088、0.296和0.141。这些研究结果凸显了在径流预测中超参数优化中结合均匀设计与元学习的优势。
