Page 71 - 2024年第55卷第5期

图 ６为各模型的归一化实测值与预测值散点图，其中小图为残差分布图并统计其均值与标准差。
２
由图可见，具有时序建模能力的本模型、ＧＲＵ及 ＳＴＬ － ＬＳＴＭ，数据点集中在 ｙ ＝ ｘ线两侧，其 Ｒ 均达
到 ０．９５以上，其中本模型精度最高，预测值与实测值的误差服从均值接近 ０的高斯分布。两种无时序
建模能力的机器学习模型，对漂移数据的预测结果具有明显偏向。ＭＬｉｎｅａｒ为传统线性回归模型，难
以挖掘更加复杂的非线性规律而精度较低。因此，具有时序建模能力的预测模型，其预测精度明显高
于常规机器学习与线性回归模型。

图 ６ 不同模型的归一化实测预测值关系与残差分布图

４．５ 训练与推断效率 对各模型的参数量与训练时
间进行分析，如图 ７所示。本模型将多测点预测集成
到单一神经网络中，参数量和训练时间受测点数量影
响较低。ＧＲＵ为单测点预测模型，需对各测点单独建
模训练，使训练时间、参数量与测点数目呈正比关
系。ＳＴＬ － ＬＳＴＭ需将测点序列分解为多个子序列，进
一步 增 加 了 模 型 量 与 训 练 时 间。ＭＬＰ、ＸＧＢｏｏｓｔ与
ＭＬｉｎｅａｒ参数量少、训练时间短，但变形预测精度较
低。因此，综合考虑各模型精度与训练时长，本模 图 ７ 模型参数量与训练时间
型在平台部署与实时预测时均具有明显优势。
４．６ 模型消融分析 本文设计消融实验验证所提模型中多测点融合、全过程训练和概率预测模块的有
效性，其中全过程训练是建立在时序解码基础上的。对比了原模型、ＡＲ（去除多测点融合）、ＧＣＮ －
ＣＴＯＣ （去除全过程训 练）、ＧＣＮ － Ｌｉｎｅａｒ（去 除时序 解码）、ＧＣＮ － ＡＲ － Ｍｅａｎ（去除 概 率 预测）与 ＧＣＮ －
Ｌｉｎｅａｒ － Ｍｅａｎ （去除时序解码与概率预测）。表 ３为原模型与消融实验模型的多测点评价指标。消融实
验结果证明了采用多测点融合、全过程训练、概率预测后的原模型综合性能最优。因此，所提模型中
各模块对提高变形预测精度均十分重要。

— ５ ７ １ —