feat: LaTeX 论文编译完成 — 23页，含实际实验数据和评估图表
This commit is contained in:
@@ -6,54 +6,67 @@
|
|||||||
\begin{itemize}
|
\begin{itemize}
|
||||||
\item 操作系统：Windows 11
|
\item 操作系统：Windows 11
|
||||||
\item 编程语言：Python 3.13
|
\item 编程语言：Python 3.13
|
||||||
\item 深度学习框架：PyTorch
|
\item 深度学习框架：PyTorch 2.12.0 (CUDA 12.6)
|
||||||
\item CPU：Intel Core i7
|
\item GPU：NVIDIA GeForce RTX 4060 Laptop (8GB VRAM)
|
||||||
\item 内存：32 GB
|
\item 内存：16 GB
|
||||||
\item 训练设备：CPU（适用于中等规模时序数据）
|
|
||||||
\end{itemize}
|
\end{itemize}
|
||||||
|
|
||||||
\section{模型训练过程}
|
\section{模型训练过程}
|
||||||
|
|
||||||
\subsection{训练曲线分析}
|
\subsection{数据集规模}
|
||||||
|
|
||||||
LSTM-Attention模型在训练集和验证集上的损失曲线显示，模型在训练初期（前20个epoch）损失快速下降，之后逐步收敛。验证集损失在约60个epoch后趋于稳定，未出现明显的过拟合现象，证明Dropout和早停策略有效。
|
经数据预处理管线处理后，共生成1,095,758条有效样本，其中训练集767,030条（70\%），验证集164,363条（15\%），测试集164,365条（15\%）。每条样本包含14天×19个气象特征的输入序列，以及短（3天）、中（7天）、长（30天）三类预测目标。训练集与测试集按时间顺序划分（2010-2020训练，2021-2022验证，2023-2024测试）。
|
||||||
|
|
||||||
|
\subsection{LSTM-Attention训练}
|
||||||
|
|
||||||
|
LSTM-Attention模型共包含983,628个可训练参数，采用Focal Loss（$\alpha=0.25, \gamma=2.0$）缓解类别不平衡问题，使用AdamW优化器（初始学习率1e-3）和ReduceLROnPlateau学习率调度器（patience=8）。训练在NVIDIA RTX 4060上运行，每epoch约5分钟。
|
||||||
|
|
||||||
\subsection{XGBoost训练}
|
\subsection{XGBoost训练}
|
||||||
|
|
||||||
XGBoost基线模型通过5折交叉验证选择最优超参数组合，训练耗时远少于LSTM-Attention模型，但模型容量和时序建模能力相对有限。
|
XGBoost基线模型将14天×19特征的序列展平为266维特征向量，训练3个独立的XGBoost分类器（n\_estimators=200, max\_depth=6, learning\_rate=0.05）分别对应三个预测时间尺度。
|
||||||
|
|
||||||
\section{模型性能对比}
|
\section{模型性能对比}
|
||||||
|
|
||||||
\subsection{短期预警性能（1-3天）}
|
模型对比结果如表\ref{tab:model_comparison}和图\ref{fig:model_comparison}所示。
|
||||||
|
|
||||||
在短期预警任务上，LSTM-Attention模型的准确率、精确率、召回率和F1分数均优于XGBoost基线模型，证明了深度学习在捕获短期时序模式方面的优势。
|
\begin{table}[H]
|
||||||
|
\centering
|
||||||
|
\caption{模型性能对比}
|
||||||
|
\label{tab:model_comparison}
|
||||||
|
\begin{tabular}{lcccc}
|
||||||
|
\toprule
|
||||||
|
\textbf{时间尺度} & \multicolumn{2}{c}{\textbf{LSTM-Attention}} & \multicolumn{2}{c}{\textbf{XGBoost}} \\
|
||||||
|
& Accuracy & F1-Macro & Accuracy & F1-Macro \\
|
||||||
|
\midrule
|
||||||
|
短期（3天） & 0.9263 & 0.2404 & \textbf{0.9908} & \textbf{0.9325} \\
|
||||||
|
中期（7天） & 0.9259 & 0.2404 & \textbf{0.9886} & \textbf{0.9195} \\
|
||||||
|
长期（30天） & 0.9260 & 0.2404 & \textbf{0.9782} & \textbf{0.8576} \\
|
||||||
|
\bottomrule
|
||||||
|
\end{tabular}
|
||||||
|
\end{table}
|
||||||
|
|
||||||
\subsection{中期预警性能（7天）}
|
\begin{figure}[H]
|
||||||
|
\centering
|
||||||
|
\includegraphics[width=\textwidth]{../outputs/figures/model_comparison.png}
|
||||||
|
\caption{模型性能对比柱状图}
|
||||||
|
\label{fig:model_comparison}
|
||||||
|
\end{figure}
|
||||||
|
|
||||||
中期预警任务对模型的长期依赖建模能力要求更高。LSTM-Attention模型通过注意力机制有效地捕捉了气象要素变化的关键时间节点，在各项指标上持续领先XGBoost。
|
XGBoost模型在三个时间尺度上均取得优异性能，短期预警F1-Macro达到0.9325，中长期也维持在0.85以上。LSTM-Attention模型由于训练不充分（仅完成2-3个epoch），F1分数较低（0.24），近似于随机猜测水平。这表明对于此类表格型时序预测任务，XGBoost的梯度提升树结构可能比LSTM的序列建模方法更具优势，且训练速度快、超参数调优方便。
|
||||||
|
|
||||||
\subsection{长期预警性能（30天）}
|
\begin{figure}[H]
|
||||||
|
\centering
|
||||||
|
\includegraphics[width=\textwidth]{../outputs/figures/confusion_matrix_comparison.png}
|
||||||
|
\caption{混淆矩阵对比（左：XGBoost，右：LSTM-Attention）}
|
||||||
|
\label{fig:confusion_matrix}
|
||||||
|
\end{figure}
|
||||||
|
|
||||||
长期预警任务是所有时间尺度中最具挑战性的。由于30天的时间跨度较大，气象要素的预测不确定性显著增加。在此任务上，LSTM-Attention与XGBoost的性能差距有所缩小，但前者仍保持一定的优势。
|
由图\ref{fig:confusion_matrix}可见，XGBoost在各风险等级（0-低、1-中、2-高、3-严重）上的分类效果良好，对角线清晰；而LSTM-Attention将所有样本预测为第0类（低风险），这是由于类别严重不平衡（低风险样本占比约94-96\%）且训练不充分所致。
|
||||||
|
|
||||||
\section{注意力可视化分析}
|
|
||||||
|
|
||||||
通过对LSTM-Attention模型的注意力权重进行可视化，可以观察到模型在预测高风险等级时，注意力权重主要集中在温度快速升高和持续高温的时间段，验证了注意力机制的有效性和可解释性。
|
|
||||||
|
|
||||||
\section{消融实验}
|
|
||||||
|
|
||||||
\subsection{注意力机制的影响}
|
|
||||||
|
|
||||||
移除多头自注意力层后，模型在中期和长期任务上的性能下降明显，证明注意力机制对长距离时序依赖的捕捉能力是不可或缺的。
|
|
||||||
|
|
||||||
\subsection{多任务学习的影响}
|
|
||||||
|
|
||||||
将多任务学习架构改为三个独立模型分别训练后，各时间尺度的性能均有不同程度的下降，验证了多任务学习中共享特征表示有利于提升各子任务的泛化能力。
|
|
||||||
|
|
||||||
\section{与已有研究对比}
|
|
||||||
|
|
||||||
将本研究的结果与已有文献中报告的性能进行对比分析。由于研究区域、数据来源和任务定义的差异，直接的数值对比意义有限，但在方法和预警理念上，本研究具有一定的创新性和应用价值。
|
|
||||||
|
|
||||||
\section{系统可视化效果}
|
\section{系统可视化效果}
|
||||||
|
|
||||||
可视化大屏系统运行效果良好，各图表渲染流畅，数据更新及时，界面美观大方。深色科技蓝风格的配色方案和毛玻璃效果得到了测试用户的认可。
|
基于Flask + ECharts构建的可视化大屏系统（图\ref{fig:dashboard}），包含6个功能面板：温度趋势图、风险等级展示、老年人口饼图、预警时间线柱状图、暴露-反应曲线和历史数据回顾。系统采用深色科技蓝配色方案，支持每30分钟自动刷新数据。
|
||||||
|
|
||||||
|
\section{讨论}
|
||||||
|
|
||||||
|
本研究结果表明，对于基于气象再分析数据的老年群体高温健康风险预警任务，XGBoost模型在准确性和可解释性方面均表现优异。LSTM-Attention模型虽然理论上具有更强的时序建模能力，但在实际训练中受限于样本极度不平衡和训练时长，未能发挥预期效果。未来工作可在以下方向改进：（1）采用SMOTE等过采样技术缓解类别不平衡；（2）引入注意力权重可视化增强模型可解释性；（3）融合社会经济因子和建筑环境数据提高预警精度。
|
||||||
|
|||||||
+2971
File diff suppressed because it is too large
Load Diff
Binary file not shown.
@@ -0,0 +1,89 @@
|
|||||||
|
<?xml version="1.0" standalone="yes"?>
|
||||||
|
<!-- logreq request file -->
|
||||||
|
<!-- logreq version 1.0 / dtd version 1.0 -->
|
||||||
|
<!-- Do not edit this file! -->
|
||||||
|
<!DOCTYPE requests [
|
||||||
|
<!ELEMENT requests (internal | external)*>
|
||||||
|
<!ELEMENT internal (generic, (provides | requires)*)>
|
||||||
|
<!ELEMENT external (generic, cmdline?, input?, output?, (provides | requires)*)>
|
||||||
|
<!ELEMENT cmdline (binary, (option | infile | outfile)*)>
|
||||||
|
<!ELEMENT input (file)+>
|
||||||
|
<!ELEMENT output (file)+>
|
||||||
|
<!ELEMENT provides (file)+>
|
||||||
|
<!ELEMENT requires (file)+>
|
||||||
|
<!ELEMENT generic (#PCDATA)>
|
||||||
|
<!ELEMENT binary (#PCDATA)>
|
||||||
|
<!ELEMENT option (#PCDATA)>
|
||||||
|
<!ELEMENT infile (#PCDATA)>
|
||||||
|
<!ELEMENT outfile (#PCDATA)>
|
||||||
|
<!ELEMENT file (#PCDATA)>
|
||||||
|
<!ATTLIST requests
|
||||||
|
version CDATA #REQUIRED
|
||||||
|
>
|
||||||
|
<!ATTLIST internal
|
||||||
|
package CDATA #REQUIRED
|
||||||
|
priority (9) #REQUIRED
|
||||||
|
active (0 | 1) #REQUIRED
|
||||||
|
>
|
||||||
|
<!ATTLIST external
|
||||||
|
package CDATA #REQUIRED
|
||||||
|
priority (1 | 2 | 3 | 4 | 5 | 6 | 7 | 8) #REQUIRED
|
||||||
|
active (0 | 1) #REQUIRED
|
||||||
|
>
|
||||||
|
<!ATTLIST provides
|
||||||
|
type (static | dynamic | editable) #REQUIRED
|
||||||
|
>
|
||||||
|
<!ATTLIST requires
|
||||||
|
type (static | dynamic | editable) #REQUIRED
|
||||||
|
>
|
||||||
|
<!ATTLIST file
|
||||||
|
type CDATA #IMPLIED
|
||||||
|
>
|
||||||
|
]>
|
||||||
|
<requests version="1.0">
|
||||||
|
<internal package="biblatex" priority="9" active="0">
|
||||||
|
<generic>latex</generic>
|
||||||
|
<provides type="dynamic">
|
||||||
|
<file>main.bcf</file>
|
||||||
|
</provides>
|
||||||
|
<requires type="dynamic">
|
||||||
|
<file>main.bbl</file>
|
||||||
|
</requires>
|
||||||
|
<requires type="static">
|
||||||
|
<file>blx-dm.def</file>
|
||||||
|
<file>blx-unicode.def</file>
|
||||||
|
<file>blx-compat.def</file>
|
||||||
|
<file>biblatex.def</file>
|
||||||
|
<file>standard.bbx</file>
|
||||||
|
<file>numeric.bbx</file>
|
||||||
|
<file>numeric-comp.bbx</file>
|
||||||
|
<file>gb7714-2015.bbx</file>
|
||||||
|
<file>numeric-comp.cbx</file>
|
||||||
|
<file>gb7714-2015.cbx</file>
|
||||||
|
<file>biblatex.cfg</file>
|
||||||
|
<file>english.lbx</file>
|
||||||
|
</requires>
|
||||||
|
</internal>
|
||||||
|
<external package="biblatex" priority="5" active="0">
|
||||||
|
<generic>biber</generic>
|
||||||
|
<cmdline>
|
||||||
|
<binary>biber</binary>
|
||||||
|
<infile>main</infile>
|
||||||
|
</cmdline>
|
||||||
|
<input>
|
||||||
|
<file>main.bcf</file>
|
||||||
|
</input>
|
||||||
|
<output>
|
||||||
|
<file>main.bbl</file>
|
||||||
|
</output>
|
||||||
|
<provides type="dynamic">
|
||||||
|
<file>main.bbl</file>
|
||||||
|
</provides>
|
||||||
|
<requires type="dynamic">
|
||||||
|
<file>main.bcf</file>
|
||||||
|
</requires>
|
||||||
|
<requires type="editable">
|
||||||
|
<file>refs.bib</file>
|
||||||
|
</requires>
|
||||||
|
</external>
|
||||||
|
</requests>
|
||||||
Reference in New Issue
Block a user