基于谱滞量径流预测的八种遗传编程变体对比评估

《Scientific Reports》：Comparative evaluation of eight genetic programming variants for spectral lag-based streamflow prediction

　　

摘要

本文对八种遗传编程（GP）变体进行了比较研究，分别为标准遗传编程（SGP）、线性遗传编程（LGP）、基因表达编程（GEP）、语法编程（GGP）、笛卡尔遗传编程（CGP）、分层遗传编程（HGP）、多目标遗传编程（MOGP）和平行遗传编程（PGP），用于径流的 1 天和 7 天超前预测。利用美国四条河流的二十年日记录（2006–2025 年）评估了所应用的方法。每个模型运行了 30 个独立随机种子，并与朴素持续预测和长短期记忆（LSTM）网络进行了比较，共计 2168 次模型拟合。频谱分析表明，91–99% 的信号功率位于周期为 7 天或更长的频段，显著峰值介于 26 至 38 天之间。在 1 天预测期内，六个变体收敛于近乎持续性的表达式，未能展现出优于朴素预测的优势。然而，在 7 天预测期内，受约束最少的变体表现更优（PGP 的平均技能得分为 0.188，SGP 为 0.186，而 LSTM 为 0.242）。在所评估的变体中，GEP 和 CGP 在所有河流的两个预测期内均产生了最弱且最不稳定的结果。