Serendipity
07468266b4
- LSTM-Attention模型(983K参数) + XGBoost基线 - Flask API后端(4端点) + ECharts可视化大屏(6面板) - LaTeX学位论文完整框架(7章+参考文献) - ERA5下载脚本(CDS逐月并行下载) - README项目文档 Co-Authored-By: Claude Opus 4.7 <noreply@anthropic.com>
60 lines
2.9 KiB
TeX
60 lines
2.9 KiB
TeX
\chapter{实验结果与分析}
|
||
|
||
\section{实验环境}
|
||
|
||
本研究的实验环境配置如下：
|
||
\begin{itemize}
|
||
\item 操作系统：Windows 11
|
||
\item 编程语言：Python 3.13
|
||
\item 深度学习框架：PyTorch
|
||
\item CPU：Intel Core i7
|
||
\item 内存：32 GB
|
||
\item 训练设备：CPU（适用于中等规模时序数据）
|
||
\end{itemize}
|
||
|
||
\section{模型训练过程}
|
||
|
||
\subsection{训练曲线分析}
|
||
|
||
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。
|
||
|
||
\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。
|
||
|
||
\section{模型性能对比}
|
||
|
||
\subsection{短期预警性能（1-3天）}
|
||
|
||
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。
|
||
|
||
\subsection{中期预警性能（7天）}
|
||
|
||
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。
|
||
|
||
\subsection{长期预警性能（30天）}
|
||
|
||
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。
|
||
|
||
\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}
|
||
|
||
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。
|