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。
Method Desk
方法框架
方法页面把实验拆成四条主线：Raw 基线、A 组纯分解、B 组分解加原始风速、C 组分量预测后重构求和。 这样可以避免把“带原始风速通道”或“逐分量建模”的结果误写成纯分解模型。
Experiment Groups
Raw、A 组、B 组、C 组
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。
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。
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。当前新增实验主要是 WT 组件重构。
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，每个样本只看到过去 24 小时。C 组使用因果分量序列构造监督样本， 测试阶段只把各分量模型的未来预测相加，不把未来原始风速放入输入分解过程。 整个流程不使用完整时间序列先整体分解再切分训练集、验证集和测试集。
01历史窗口
02窗口内分解
03LSTM / Transformer
04预测或重构未来 4 小时