3. 误差评价指标体系
做负荷预测这么多年，我最大的体会就是：没有评价，就没有改进。你想想看，模型跑出来一堆预测值，到底准不准？光靠肉眼瞅曲线，那是不行的。我们需要一套统一的尺子，来量一量误差到底有多大。
这套尺子，就是误差评价指标体系。今天咱们就聊聊最常用的四个指标：AE、MAE、RMSE、MAPE。它们各有各的脾气，用错了地方，会把你带沟里去。
核心观点：没有完美的指标，只有合适的指标。选对指标，比调模型参数更重要。
3.1 绝对误差（AE）—— 最基础的砖块
绝对误差，英文叫 Absolute Error，简称 AE。说白了就是：预测值减去真实值，再取绝对值。
数学定义很简单：
AE = |y_pred - y_true|嗯，这里要注意：AE 是单个点的误差。它不告诉你整体表现，只告诉你「这个点差了多少」。我在项目中经常用它来做实时监控——比如某个时刻预测偏差突然飙到 50 MW 以上，系统立刻报警，说明模型可能出问题了。
我的习惯：每次跑完预测，第一件事就是画出 AE 的时间序列图。如果发现某个时段 AE 持续偏高，那十有八九是那个时段有特殊事件（比如节假日、极端天气）没处理好。
3.2 平均绝对误差（MAE）—— 最直观的尺子
MAE 就是把所有点的 AE 加起来，再除以样本数。公式长这样：
MAE = (1/n) * Σ|y_pred_i - y_true_i|MAE 的好处是什么？单位跟原始数据一样。比如你预测的是负荷（单位 MW），MAE 算出来也是 MW。这就很直观——你直接说「我这个模型平均误差是 15 MW」，老板一听就懂。
我个人习惯用 MAE 做模型对比。比如 LSTM 和 XGBoost 哪个好？看 MAE 就行。数值小的那个，整体表现更稳定。
避坑指南：我曾经犯过一个错误——只看 MAE 就下结论。后来发现 MAE 虽然小，但个别点误差极大。MAE 对异常值不敏感，它会把大误差「平均」掉。所以，MAE 小不代表没有坏点。
3.3 均方根误差（RMSE）—— 惩罚大误差的狠角色
RMSE 的公式：
RMSE = sqrt( (1/n) * Σ(y_pred_i - y_true_i)² )你看，它先把误差平方，再开方。这一平方，大误差就被放大了。举个例子：
- 两个点误差分别是 1 和 9，MAE 是 5
- 但 RMSE 是 sqrt((1+81)/2) ≈ 6.4
看到了吗？RMSE 比 MAE 大，就是因为那个 9 被平方后贡献了 81。
所以，RMSE 对异常值非常敏感。你想想看，如果负荷预测在某个时刻突然差了 100 MW，RMSE 会立刻飙升。这在电力系统里很重要——因为大误差可能导致电网调度失误，后果很严重。
我在做短期负荷预测时，通常同时看 MAE 和 RMSE。如果两者差距很大（比如 RMSE 比 MAE 大 30% 以上），我就知道模型在某些点上「崩了」，需要去查原因。
经验之谈：MAE 和 RMSE 的差值，可以看作「误差波动性」的指标。差值越大，说明模型越不稳定。
3.4 平均绝对百分比误差（MAPE）—— 无量纲的通用标尺
MAPE 的公式：
MAPE = (100%/n) * Σ|(y_pred_i - y_true_i) / y_true_i|MAPE 最大的特点是无量纲。它用百分比表示误差，跟数据的量级无关。这就方便了——你可以拿 MAPE 去比较不同量级的模型。比如一个预测负荷（几千 MW），一个预测风速（十几 m/s），用 MAPE 就能放在一起比。
但是！MAPE 有个致命缺陷：当真实值接近零时，分母趋近于零，MAPE 会爆炸。我在做光伏预测时就吃过这个亏——晚上发电功率接近零，MAPE 直接飙到几千%，根本没法看。
我曾经踩过的坑：有一次汇报，我兴冲冲地展示 MAPE 只有 3.5%，领导也很满意。结果后来发现，那段时间负荷基数特别大，MAPE 被「稀释」了。实际上模型在低负荷时段表现很差。从那以后，我养成了习惯——看 MAPE 之前，先检查数据分布。
3.5 四个指标怎么选？一张表说清楚
| 指标 | 单位 | 对异常值敏感度 | 适用场景 |
|---|---|---|---|
| AE | 与原始数据相同 | 中等 | 单点监控、实时告警 |
| MAE | 与原始数据相同 | 低 | 模型整体对比、日常评估 |
| RMSE | 与原始数据相同 | 高 | 需要惩罚大误差的场景（如电网安全） |
| MAPE | 百分比（无量纲） | 中等（但受分母影响） | 跨模型/跨量级对比（注意避开零值） |
3.6 实战中的组合拳
说了这么多，你可能会问：那我到底用哪个？
我的建议是：别只用一种。我自己的习惯是：
- 日常监控：看 MAE，简单直观
- 模型选型：MAE + RMSE 一起看，兼顾平均水平和波动性
- 汇报展示：用 MAPE，老板喜欢百分比
- 异常排查：画 AE 时间序列图，定位问题时段
举个例子，我之前做过一个项目，用 LSTM 预测某区域负荷。MAE 是 12 MW，RMSE 是 18 MW，MAPE 是 2.8%。看起来不错对吧？但 AE 图一画出来，发现每天下午 2-4 点误差明显偏大。后来一查，是那个时段光伏出力波动剧烈，模型没学到这个规律。这就是组合拳的好处——每个指标告诉你不同的故事。
一个小技巧：如果你发现 RMSE / MAE 的比值大于 1.3，基本可以断定模型存在「偶尔崩一次」的问题。这时候别急着调参数，先去查那些大误差点对应的时刻发生了什么。
好了，误差评价指标就聊到这儿。记住：指标是工具，不是目的。选对工具，才能看清问题。下一节咱们聊聊误差补偿方法，到时候会用到今天讲的这些指标来评估补偿效果。
公众号:蓝海资料掘金营，微信deep3321