关于风电预测中MLP优于LSTM的合理性及模型指标差异的技术咨询

一、MLP优于LSTM、GRU最优的结果合理性 #

• 数据特性适配性：风电功率数据可能不存在强长期时序依赖，比如短期预测场景下，当前功率主要受近期几小时的风速、温度等特征影响，MLP的全连接结构能直接捕捉这些特征的非线性关联，反而比LSTM的门控结构更高效；若数据中时序噪声大，LSTM的门控可能过度拟合噪声，而MLP的简单结构泛化性更好。
• 模型调优差异：LSTM和GRU的超参数（如隐藏层神经元数、序列步长、学习率、训练轮次）对性能影响极大，若LSTM的调优不充分（比如步长设置不合理、未针对时序任务优化），而MLP和GRU的超参数更适配当前数据集，就会出现性能反转。
• 特征工程质量：如果输入特征已经做了充分的预处理（比如提取了有效统计特征、去趋势化），时序依赖被显式转化为静态特征，LSTM的时序建模优势就无法发挥，MLP反而能更好利用这些加工后的特征。

二、单一模型在不同指标上表现相反的解释 #

• 指标的评价侧重点不同：比如MAE（平均绝对误差）侧重惩罚大偏差的预测值，RMSE（均方根误差）对极端误差更敏感。GRU可能在大部分样本上预测精准，但偶尔出现大偏差，就会导致RMSE高于LSTM，但MAE优于LSTM；反之，LSTM可能整体误差平稳，但小误差的累积让MAE不如GRU。
• 模型的拟合倾向差异：GRU的门控结构更简洁，可能更偏向拟合数据的整体趋势，在趋势预测相关指标（如方向准确率）上表现更好，但在细节波动的预测上（如MAPE）不如LSTM；而LSTM的复杂门控能捕捉更多细节，但可能在趋势一致性上略逊。
• 数据分布的影响：若数据集存在局部不均衡（比如某段时间风电波动极大，其他时段平稳），模型在不同数据段的表现不同。GRU可能在平稳段预测更准，拉低了MAE，但在波动段误差大，推高了RMSE；LSTM可能在波动段表现更好，但平稳段的误差累积让MAE更高。

内容的提问来源于stack exchange，提问作者Shamil