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、纯分解 A 组、分解加原始风速 B 组在 LSTM 与 Transformer 下的性能差异。

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。

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 C 组“分量单独预测 + 重构求和”实验。新增 C-WT-LSTM 在 benchmark5000 参数搜索中取得更低 RMSE，旧 Raw/A/B 结果仍保留为基线对照。网站数据源已经把单次结果、多 seed 聚合结果、单 seed 参数搜索结果和 C 组结果分开保存，避免不同实验类型混用。

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/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。