时序预测
看曲线向前走：先预测，再逐小时核对。
此刻
怎么做
会骗你
文字版：时序预测在做什么
这一页用的是加州电网 2023 至 2025 年的真实用电负荷记录：模型在 2023–2024 年的数据上训练，然后回放 2025 年的逐日预测——先预测一整天，再逐小时揭晓真实值，让你看着误差一点点累积起来。
画面上正在发生什么
三条线要分清：已知历史、提前做出的预测、后来真实发生的值。预测是在这一天开始之前做出的，之后不再修改；实际值逐小时出现，两条线之间的竖直距离就是这一小时的误差。
切换三种方法看差别：「直接沿用昨天」是最朴素的基线，它在平稳的日子里表现意外地不差——这正是它的意义所在，任何复杂模型都必须先赢过它才算有价值。XGBoost 用历史负荷加上日历规律（星期几、是否节假日、小时）预测，页面标注它在完整测试期的平均误差是 2.94%。拖动时间轴挑节假日或天气转折的日子，会看到所有方法的误差都明显变大。
什么时候它会骗你
- 时序数据绝不能随机划分。训练集必须整段早于测试集。随机打乱后再划分，等于让模型用未来的数据预测过去，成绩会好得离谱，上线立刻原形毕露。
- 赢不过「沿用昨天」的模型没有价值。很多时序问题有强烈的日周期和周周期，朴素基线本身就很强。报告一个模型的误差时必须同时报出基线的误差，否则那个数字无法判断好坏。
- 平均误差掩盖了最该关心的时刻。2.94% 是整个测试期的平均。而电力调度真正在意的恰恰是极端高峰那几天——那些天的误差往往远大于平均值。评估时要单独看极端情形，不能只看总平均。
- 用未来才知道的特征，就是穿越。预测明天的负荷时，明天的实际气温是拿不到的，能用的只有天气预报。拿实测气温训练出来的模型在回测里很漂亮，实际用不了。
常见问题
- 时间序列预测怎样评估才算正确？
- 用按时间前推的切分：训练段永远早于验证段，滚动向前重复多次，取误差平均。同时必须报出朴素基线（如沿用昨天、沿用上周同一天）的误差作为对照，并分别看平稳期和极端期的表现。
- LSTM 一定比 XGBoost 强吗？
- 不一定。在有明确日历规律、特征可以显式构造的负荷预测这类任务上，梯度提升树常常与深度模型相当甚至更好，而且训练更快、更容易解释。深度序列模型的优势更多体现在长序列依赖复杂、难以手工构造特征的场景。
- MAPE 这个百分比误差有什么坑？
- 当真实值接近零时，百分比会被放大到失真；而且它对高估和低估的惩罚不对称。电力负荷这类数值始终远离零的场景用它还算合适，但对可能接近零的序列（如某些商品的日销量）应改用 MAE 或 RMSE。
本页使用美国 EIA 公布的加州区域真实负荷记录，模型用 2023–2024 年数据训练、回放 2025 年逐日预测；2.94% 为该模型在完整测试期的平均误差，不代表其他地区或其他时期的表现。