先讲预测任务
T02 风机 10 分钟分辨率风速序列，使用过去 144 步预测未来 24 步，也就是过去 24 小时预测未来 4 小时。
Paper Figure Desk
论文图版
这一页提供适合论文正文和答辩材料使用的二维框架图。它不追求炫酷交互， 重点是把 Raw、A组、B组、C组、无未来信息泄漏、LSTM/Transformer 和评价流程讲清楚。
Figure Reading
这张图怎么讲
再讲四类输入
Raw 是不分解基线；A组只输入分解分量；B组输入分解分量和原始风速；C组逐分量预测后重构求和，四组不能混在一起汇报。
最后强调无泄漏
WT、EMD、SSA、VMD 只对每个样本的历史输入窗口做分解，不能用完整序列提前分解。
Markdown Notes
A/B/C 组输入方式说明
这一部分整理自项目文档 outputs/docs/AB组分解输入方式与原始风速通道影响说明.md。
重点解释“分解结果到底怎么进入预测模型”，避免把 A/B 组误写成严格的分量预测重构模型。
分解特征增强预测
- 过去 24 小时风速
- 分解成多个分量
- 所有分量作为输入通道
- 进入同一个 LSTM / Transformer
- 直接输出未来 4 小时原始风速
A/B 组本质上是把分解分量作为辅助输入特征，而不是分别预测每个分量。
分量预测再重构
- 过去风速分解成多个分量
- 每个分量单独训练预测模型
- 分别预测未来各个分量
- 未来分量预测值相加
- 得到最终未来风速预测
C 组更接近严格意义上的“分解-预测-重构”流程。
Group Boundary
一个模型联合输入 vs 每个分量单独建模
| 对比点 | A/B 组：多分量一起输入一个模型 | C 组：每个分量单独建模再相加 |
|---|---|---|
| 模型输入 | 多个分解分量，B 组还包含原始风速 | 某一个分量的历史序列 |
| 模型输出 | 直接输出未来原始风速 | 输出未来某一个分量 |
| 模型数量 | 通常一个 LSTM 或 Transformer | 多个模型，每个分量一个 |
| 分解作用 | 分解结果作为输入特征 | 分解结果作为预测对象 |
| 最终预测 | 模型直接给出最终风速 | 各分量预测值相加得到风速 |
| 可解释性 | 较弱，模型内部自动决定用哪些分量 | 较强，可以分析每个分量的预测效果 |
| 计算成本 | 较低 | 较高 |
| 主要风险 | 模型可能忽略分解分量 | 分量预测误差会累积，端点效应更敏感 |
A/B 组是将分解分量作为辅助输入特征，由同一个预测模型直接预测未来原始风速。
B 组不能写成“纯分解预测模型”，因为它包含原始风速通道。
Experiment Questions
Raw / A / B / C 分别回答什么问题
原始风速
不使用分解时，基础 LSTM / Transformer 模型能达到什么效果。
只使用分解分量
分解分量本身是否保留了足够的预测信息。
分解分量 + 原始风速
分解特征能否在原始风速基础上带来额外增益。
分量预测后相加
严格分解-预测-重构框架是否有效。
Original Channel
B 组加入原始风速通道的影响
为什么 B 组通常更稳
- 稳定性更强：原始风速保留完整趋势，可降低分解误差、端点效应和噪声残留的影响。
- 更容易学习短期持久性：当前风速通常与短期未来风速接近，原始通道能直接提供这种信息。
- 容错能力更强：当某些分解分量质量不好时，模型仍可依赖原始风速完成预测。
为什么论文表述要谨慎
- 分解贡献可能被掩盖：B 组变好不一定说明分解算法本身有效。
- 容易接近 Raw：Raw 和 B 组都包含原始风速，性能接近时可能说明原始通道占主导。
- 不能称为纯分解：更准确的说法是“分解分量与原始风速联合输入的特征增强预测模型”。
Result Interpretation
结果接近时怎么解释
说明模型可能主要依赖原始风速通道，分解分量带来的额外增益有限。
说明分解分量在数学上基本保留了原始风速信息，但没有提供明显额外可预测性。
可以说明分解-分量预测-重构框架确实改善了预测过程。
可能是分量单独预测的误差累积、端点效应或分解参数问题抵消了潜在收益。
Paper Wording
论文中建议采用的表述
Raw：以原始风速作为唯一输入的直接多步预测基线模型。A 组：仅以分解分量作为输入的分解特征预测模型。 B 组：以分解分量和原始风速共同作为输入的联合特征预测模型。C 组：因果分解-分量预测-重构模型， 即分别预测未来各分量并相加得到最终风速预测。最需要避免的表述是“B 组是纯分解预测模型”。
Paper Caption
论文图注建议
图 X 展示了本文风速预测实验的整体流程。针对 T02 风机风速序列，本文构造长度为 144 的历史输入窗口， 并预测未来 24 个时间步。实验分为 Raw 基线、A组纯分解输入、B组分解加原始风速输入和 C组分量预测重构四类， 分别与 LSTM 和 Transformer 预测模型结合。为避免未来信息泄漏，A/B 组信号分解仅在每个历史输入窗口内执行， C 组使用因果分量序列进行逐分量预测，预测标签不参与输入分解过程。
Export Command
重新生成 PNG
E:\Conda\envs_dirs\wind_forecast\python.exe scripts\11_export_paper_figures.py
这条命令会生成 website/assets/figures/paper_model_framework.png，
输出尺寸为 3600×2100，DPI 为 300，适合插入 Word、PPT 或论文 PDF。
Role Split
三种结构页分工
论文图版用于正文和 PPT，3D 结构页用于网站互动展示，Netron 严谨结构页用于证明 LSTM/Transformer 结构来自真实代码导出。