Vol. 1 Method Desk Raw / A / B / C / D / E / F-v1 / F-v2

Method Desk

方法框架

方法页面把实验拆成八条主线，并把 F 组进一步区分为 F-v1 与 F-v2。F-v1 保留为已冻结的失败消融； F-v2 改用固定确认延迟和唯一分量序列。这样可以避免把不同因果约束、分量定义和延迟条件混写成同一种分解预测模型。

Experiment Groups

Raw、A、B、C、D、E、F-v1、F-v2

Raw

原始风速基线

直接输入原始风速，不做 WT、EMD、SSA 或 VMD。它是衡量分解模型是否有提升的强基线。

Group A

纯分解

只输入分解分量：WT_modes、EMD_modes、SSA_modes、VMD_modes。不包含原始风速通道。

Group B

分解 + 原始风速

输入分解分量并额外保留原始风速：WT_orig、EMD_orig、SSA_orig、VMD_orig。

Group C

分量预测 + 重构求和

每个因果分量分别训练一个 LSTM/Transformer，预测未来各分量后求和重构最终风速。当前已加入 WT 与 VMD 组件重构实验。

Group D

全局非因果分解对照

先把 train、val、test 全序列整体分解，再切回监督学习样本。它用于展示未来信息泄露可能造成的性能上限，不能作为正式无泄露模型。

Group E

因果镜像延拓分解

只用历史窗口自身构造右端镜像延拓，缓解滚动分解端点效应，再进行分量预测与重构。它不使用真实未来风速输入。

Group F-v1

有效带混合拼接消融

前 120 点使用有效带重叠加权，后 24 点用末端窗口补齐。该版本严格因果，但混合了两套分量定义，现已冻结为失败消融。

Group F-v2

固定确认延迟有效带

每个真实时间点只生成一次最终分量，输入与标签共用同一条分量序列；代价是存在固定确认延迟，当前全量实验使用 24 点，即 4 小时。

Workflow Details

各实验组的完整数据流程

统一设置为 T02 单变量风速预测：过去 24 小时，即 144 个 10 分钟采样点，预测未来 4 小时，即 24 个采样点。 Raw/A/B 是“单模型直接预测原始风速”；C/D/E/F-v1/F-v2 是“每个分量单独预测，再把未来分量预测求和重构原始风速”。

Raw Baseline

Raw：原始风速直接预测

目的：提供不分解的强基线，用来判断分解流程是否真的带来提升。

  1. 读取 T02 原始风速序列，并按时间顺序划分 train / val / test。
  2. 只用训练集拟合归一化器，避免验证集和测试集统计量泄露。
  3. 构造监督样本：输入过去 144 步原始风速，标签是未来 24 步原始风速。
  4. 把单通道原始风速输入 LSTM 或 Transformer。
  5. 模型直接输出未来 24 步原始风速，并计算 MAE、RMSE、MAPE、R2。
Group A

A组：纯分解特征输入

目的：检验只输入 WT/EMD/SSA/VMD 分解分量、不输入原始风速时，模型能否预测未来原始风速。

  1. 对每个历史输入窗口单独做滚动分解，只使用窗口内过去数据。
  2. 得到多个分解分量通道，例如 WT_modes、EMD_modes、SSA_modes、VMD_modes。
  3. 不附加原始风速通道，输入只包含分解后的分量。
  4. 用一个 LSTM 或 Transformer 同时接收所有分量通道。
  5. 模型直接输出未来 24 步原始风速，而不是逐分量预测后求和。
Group B

B组：分解分量 + 原始风速

目的：检验分解分量作为增强特征，并保留原始风速通道时，是否优于 Raw 或 A组。

  1. 对每个历史输入窗口做滚动分解，得到多个分量通道。
  2. 把原始风速窗口作为额外通道拼回输入，形成“分解分量 + 原始风速”。
  3. 实验名通常以 _orig 结尾，例如 WT_orig、EMD_orig、SSA_orig、VMD_orig。
  4. 用一个 LSTM 或 Transformer 接收全部输入通道。
  5. 模型直接预测未来 24 步原始风速；因此 B组不是纯分解模型。
Group C

C组：因果分量预测 + 重构

目的：实现更接近信号分解预测逻辑的主实验，每个分量单独预测未来，再求和得到风速预测。

  1. 对每个时间点 t，只取 t 及以前的历史分解窗口，例如过去 432 步。
  2. 对该历史窗口分解，并只取窗口末端 t 位置的分量值，形成因果分量序列。
  3. 把因果分量序列切成监督样本：过去 144 步分量预测未来 24 步分量。
  4. 每个分量单独训练一个 LSTM 或 Transformer；WT level=8 时会有多个分量模型。
  5. 测试时把所有未来分量预测逐步相加，重构最终未来 24 步原始风速。
Group D

D组：全局非因果分解对照

目的：作为泄露诊断或性能上限，观察“先全局分解再切分”会把指标抬高多少。

  1. 先把 train、val、test 按时间顺序拼成完整风速序列。
  2. 对完整序列做一次性全局分解，分量可能受到测试集未来数据影响。
  3. 再按原来的 train / val / test 边界把分量切回去。
  4. 按 C组同样方式训练每个分量模型，并把未来分量预测求和。
  5. 该组不是因果预测流程，只用于说明信息泄露带来的虚高性能。
Group E

E组：因果镜像延拓分解

目的：在不使用真实未来数据的前提下，尝试缓解 C组滚动分解的右端端点效应。

  1. 对每个时间点 t，只取 t 及以前的真实历史窗口。
  2. 用历史窗口自身构造伪未来镜像延拓，例如 x[t]、x[t-1]、x[t-2] 的反向延伸。
  3. 对“真实历史窗口 + 镜像延拓段”做分解，但只取原历史窗口末端 t 位置的分量值。
  4. 像 C组一样构造分量监督样本，每个分量单独训练预测模型。
  5. 把未来各分量预测求和重构原始风速；未来真实风速只用于评价，不参与输入。
Group F-v1

F-v1：有效带拼接 + 末端补齐

目的：尝试用窗口内部有效带减弱端点效应。该实现已确认存在分量定义不一致，因此只保留为失败消融。

  1. 历史窗口做因果镜像延拓和分解，截去左右边缘，只保留有效带。
  2. 输入前 120 点由多个历史窗口的有效带结果按三角权重重叠平均。
  3. 最近 24 点无法在零延迟下获得右侧确认，改由最后一个因果延拓窗口的末端分量补齐。
  4. 每个分量独立训练 LSTM，再把未来分量预测相加重构风速。
  5. 前后两段使用不同分量来源，在第 120 点附近形成人为断点，不能作为主方案。
Group F-v2

F-v2：唯一分量序列 + 固定确认延迟

目的：修复 F-v1 的混合分量定义，使每个真实时间点在固定延迟后只对应一个最终分量。

  1. 对历史窗口做因果延拓与分解，只选取有效带内固定位置的分量估计。
  2. 每个真实时间点在确认延迟 D 后生成一次最终分量，输入与标签使用同一生成规则。
  3. 预测时刻 t 的最新可用分量为 C[t-D]；全量结果当前使用 D=24 点，即 4 小时。
  4. WT 支持 SWT；EMD、SSA、VMD 将重构残差归并到最后一个分量并执行自动审计。
  5. 每个分量独立训练 LSTM，未来分量求和得到最终风速预测。
Causal Groups

Raw、A、B、C、E、F-v1、F-v2 都不读取预测时刻后的真实数据；F-v2 另有固定确认延迟，F-v1 只作为失败消融。

Leakage Control

D组故意使用全局分解，存在未来信息泄露风险，只能作为诊断对照或性能上限，不能写成正式预测模型。

Model Families

分解算法与预测模型

信号分解算法

  • WT：小波分解，当前实验使用 `l3_db4`。
  • EMD：经验模态分解，当前实验使用 `k5`。
  • SSA：奇异谱分析，当前实验使用 `k5_w72`。
  • VMD：变分模态分解，当前实验使用 `k5`。
  • C-WT：新增分量重构实验，已搜索 `w288/w432`、`l3-l8`、`db4/haar/sym4/coif1` 等参数。

深度学习模型

  • LSTM：适合序列依赖建模，是时间序列预测的常用基线。
  • Transformer：使用注意力机制建模长序列关系，是当前主要对比模型。

Verification Column

防止未来信息泄露

A/B 组分解发生在每个历史输入窗口内部。C/E/F-v1/F-v2 的输入分量也只由预测时刻及以前的数据构造。 F-v1 虽然因果，但分量定义不一致；F-v2 修复为唯一分量序列，同时引入固定确认延迟。 D 组使用完整时间序列先整体分解再切分，因此只作为泄露诊断对照。

01历史窗口
02窗口内分解
03LSTM / Transformer
04预测或重构未来 4 小时