The Forecast Ledger

短期风速预测模型研究

本项目围绕风机风速短期预测展开，使用过去 24 小时的历史风速序列预测未来 4 小时风速。当前网站以 T02 风机实验为主，重点展示 Raw 基线、A/B 分解特征输入、C/E 因果分量重构、 D 组全局非因果对照，以及 F-v1 失败消融和 F-v2 固定确认延迟实验。

Dataset Bureau

数据说明与风机总览

进入数据子页面

Fig. 1.1 / All Turbines Overview

宽表数据包含 T01 至 T21 共 21 台风机

当前正式处理后的 `wide_format.pkl` 数据覆盖 2019-01-01 00:00:00 至 2024-09-01 00:00:00，共 297,965 条时间记录。网站优先展示所有风机的整体风速曲线，再单独说明当前实验使用的 T02 风机。

所有风机风速曲线总览图 — Fig. 1.1 所有风机风速总览，灰度显示以贴合 Newsprint 风格。

Method Desk

实验结构

进入方法子页面

Raw

原始风速基线

不做分解，直接把历史风速输入 LSTM 或 Transformer。它是判断分解方法是否真的有效的基础参照。

Group A

纯分解模型

WT_modes、EMD_modes、SSA_modes、VMD_modes。只输入分解分量，不输入原始风速。

Group B

分解 + 原始风速

WT_orig、EMD_orig、SSA_orig、VMD_orig。输入分解分量，同时保留原始风速通道。

Group C

因果分量预测重构

每个时间点只用历史窗口得到因果分量，每个分量单独预测未来，再把未来分量预测求和重构风速。

Group D

全局非因果分解对照

D组把 train/val/test 全序列先整体分解，再做分量预测重构。它用于展示未来信息泄露会显著抬高性能，只作为诊断对照，不作为正式无泄露模型。

Group E

因果镜像延拓分解

E组只利用历史窗口自身做右端镜像延拓，缓解滚动分解端点效应，再进行分量预测和重构。它属于无真实未来输入的因果对照实验。

Group F-v1

有效带混合拼接消融

F-v1 将稳定有效带和最近末端分量拼接，虽不读取真实未来，但两段分量定义不一致，现已冻结为失败消融。

Group F-v2

固定确认延迟有效带

F-v2 为每个时间点建立唯一分量表示，输入与标签共用同一规则；当前全量实验采用 24 点，即 4 小时确认延迟。

Verification Column

防止未来信息泄露设计

本项目采用窗口级滚动分解思路：每个样本只使用过去 24 小时历史窗口进行分解，不把未来 4 小时预测目标放入分解过程。因此网站展示时也单独强调这一点，避免把“完整序列先分解再切分”的泄露式流程误认为本项目方法。

01读取历史窗口

02窗口内分解

03输入模型预测

04评估未来 4 小时

Results Page

当前 T02 实验结果快照

进入结果子页面打开结果数据 JSON

当前结果已经加入 F-v1 与 F-v2。F-v1 是已冻结的失败消融；F-v2 包含 WT、EMD、SSA、VMD 的 LSTM 全量实验，但必须连同 4 小时确认延迟一起解释。D 组仍是泄露诊断结果，不能作为正式无泄露模型。网站数据源把全量、参数测试和各实验版本分开保存，避免混用。

Rank	实验组	方法	模型	MAE	RMSE	MAPE	R2
1	C组	WT	LSTM	1.3157	1.7252	23.62%	0.7214
2	C组	WT	LSTM	1.3091	1.7261	23.84%	0.7246
3	C组	WT	LSTM	1.3408	1.7299	23.80%	0.7234
4	C组	WT	LSTM	1.3074	1.7306	24.19%	0.7232
5	C组	WT	LSTM	1.3206	1.7308	23.73%	0.7196
6	C组	WT	LSTM	1.3254	1.7320	23.77%	0.7192

C组 WT LSTM T02 预测曲线 — Fig. 2.1 C组 WT-LSTM 分量重构模型在 T02 测试集上的预测曲线。

C组 WT LSTM T02 误差分布 — Fig. 2.2 C组 WT-LSTM 分量重构模型在 T02 测试集上的误差分布。

Paper Figure

论文正文图版

打开论文图版子页面下载高清 PNG

风速预测模型论文框架图 — Fig. P1 论文正文可用的二维实验框架图，强调 Raw/A组/B组/C组、144→24 预测窗口和无未来信息泄漏约束。

3D Architecture

三维模型结构展示

新增 Three.js 三维结构页，用空间化方式展示 Raw、A 组纯分解、B 组分解加原始风速在 LSTM / Transformer 下的数据流； C 组分量预测重构已在方法页、结果页和 Netron 结构页单独说明。该页面用于答辩或网站展示，不替代论文中的正式结构图。打开 3D 结构子页面

Runbook

代码运行与结果保存

进入运行说明子页面

主要程序

scripts/05_prepare_decomposition.py 生成滚动分解缓存。
scripts/06_train_decomp_model.py 训练单个分解预测模型。
scripts/07_summarize_decomposition.py 汇总实验结果。
scripts/08_run_decomposition_grid.py 批量运行 A 组、B 组和 Raw 实验。

保存位置

data/A-B-decomposed/ 分解后的缓存数据。
outputs/models/ 模型权重文件。
outputs/results/decomposition/ 评价指标 JSON。
outputs/figures/ 预测图、误差图和数据总览图。