CNN-RBiLSTM 负荷预测模型性能对比分析

各模型性能指标对比（MAE/R²/RMSE）

核心指标统计

最优 MAE

395.73

对应模型

20260306_102104_task_20260306_102104

较默认模型提升

83.50 ↓

最高 R²

0.7003

对应模型

20260306_102104_task_20260306_102104

较默认模型提升

0.1038 ↑

模型性能明细对比

模型名称	MAE	R²	RMSE	综合评价
CNN-RBiLSTM (默认模型)	479.23	0.5965	610.82	中等
20260306_165929_task_20260306_165929	509.37	0.5447	648.86	偏低
20260306_102104_task_20260306_102104	395.73	0.7003	526.47	最优
20260403_154440_task_20260403_154440	447.25	0.6383	578.36	良好
20260306_171231_task_20260306_171231	512.39	0.5464	647.66	偏低
20260331_174012_task_20260331_174012	411.41	0.6866	538.39	优秀
20260305_163820_task_20260305_163820	446.59	0.6415	575.78	良好
20260305_165722_task_20260305_165722	453.84	0.6315	583.72	良好
20260306_171842_task_20260306_171842	602.45	0.396	747.35	差
20260310_171106_task_20260310_171106	467.95	0.6091	601.26	中等
20260327_171415_task_20260327_171415	491.19	0.5796	623.48	中等

优化建议

数据总结

CNN-RBiLSTM 默认模型（MAE=479.23，R²=0.5965）表现中等，但存在显著优化空间：最优模型（20260306_102104）将MAE降低17.4%、R²提升10.4个百分点；最差模型（20260306_171842）R²仅0.396，表明超参数或训练策略对性能影响极大。整体上，约64%的变体模型R²超过0.6，说明该架构具备良好潜力，但稳定性需加强。

优化建议

· 重点复现并分析最优模型（20260306_102104）的超参数配置与数据预处理流程，形成可复用的调优模板。
· 对R²<0.5的异常模型（如20260306_171842）开展梯度爆炸/过拟合诊断，引入早停、Dropout或学习率衰减机制。
· 建议构建自动化超参搜索管道（如贝叶斯优化），系统性探索CNN核尺寸、LSTM层数、双向连接方式等关键变量组合。
· 在验证集上增加分时段误差分析（如峰谷平），针对性优化负荷波动剧烈时段的预测鲁棒性。