2. 误差评价指标体系：MAE、RMSE、MAPE、MRE等指标的定义与计算

各位工程师朋友，咱们接着聊。上一章我们搞清楚了误差从哪来，这一章咱们得聊聊怎么「量化」这些误差。

说白了，你做了一个负荷预测模型，到底准不准？不能光凭感觉说「还行吧」。得有一套统一的尺子去量。这套尺子，就是误差评价指标体系。

我个人习惯，在项目初期就会把这几个指标定下来。为什么？因为不同的指标，反映的问题侧重点完全不同。你想想看，有时候模型整体误差不大，但偶尔出现几个离谱的预测，这算不算好模型？嗯，咱们往下看。

2.1 绝对误差与相对误差

在讲具体指标前，先明确两个基础概念：

• 绝对误差：预测值减去真实值。单位跟原始数据一样。
• 相对误差：绝对误差除以真实值。通常用百分比表示。

举个例子：真实负荷是100MW，你预测了105MW。绝对误差就是+5MW，相对误差就是+5%。

2.2 四个核心指标详解

2.2.1 MAE（平均绝对误差）

MAE，全称Mean Absolute Error。计算公式很简单：

MAE = (1/n) * Σ|y_pred - y_true|

就是把所有预测误差的绝对值加起来，再取平均。

特点：

• 单位跟原始数据一致，直观好理解
• 对所有误差一视同仁，不会放大异常值的影响
• 适合评估模型的「平均表现」

我在做短期负荷预测时，经常用MAE来快速判断模型有没有跑偏。比如某天的MAE突然从5MW飙到15MW，那肯定是有问题了——可能是天气突变，也可能是数据采集出了故障。

2.2.2 RMSE（均方根误差）

RMSE，全称Root Mean Square Error。公式：

RMSE = sqrt((1/n) * Σ(y_pred - y_true)²)

先求误差平方，再取平均，最后开根号。

特点：

• 对大的误差特别敏感（因为平方了）
• 单位跟原始数据一致
• 适合评估模型的「极端表现」

2.2.3 MAPE（平均绝对百分比误差）

MAPE，全称Mean Absolute Percentage Error。公式：

MAPE = (100%/n) * Σ|(y_pred - y_true) / y_true|

说白了，就是每个点的相对误差取绝对值，再平均。

特点：

• 无量纲，用百分比表示，方便跨项目对比
• 业界最常用的指标之一
• 当真实值接近0时，MAPE会变得非常大（甚至无穷大）

嗯，这里要注意。如果负荷数据中有接近0的时段（比如深夜低谷），MAPE可能会失真。我一般会配合MRE一起看。

2.2.4 MRE（平均相对误差）

MRE，全称Mean Relative Error。公式：

MRE = (1/n) * Σ(y_pred - y_true) / y_true

注意，这里没有绝对值！所以MRE可以是正数，也可以是负数。

特点：

• 能反映模型是「偏大」还是「偏小」
• 正数表示整体高估，负数表示整体低估
• 正负误差会相互抵消，所以MRE通常比MAPE小

2.3 指标对比一览表

指标	公式	单位	对异常值敏感度	适用场景
MAE	平均绝对误差	同原始数据	低	日常监控、快速评估
RMSE	均方根误差	同原始数据	高	捕捉极端偏差、安全评估
MAPE	平均绝对百分比误差	百分比	中	跨项目对比、汇报展示
MRE	平均相对误差	百分比	低（正负抵消）	判断系统性偏差

2.4 代码实现示例

光说不练假把式。下面给出一段Python代码，用numpy实现这四个指标的计算。代码很简单，但很实用。

import numpy as np

def calculate_errors(y_true, y_pred):
    """
    计算四个核心误差指标
    y_true: 真实值数组
    y_pred: 预测值数组
    """
    # 绝对误差
    abs_error = np.abs(y_pred - y_true)
    # 相对误差
    rel_error = (y_pred - y_true) / y_true
    
    # MAE
    mae = np.mean(abs_error)
    
    # RMSE
    rmse = np.sqrt(np.mean((y_pred - y_true) ** 2))
    
    # MAPE（避免除零，加一个小常数）
    mape = np.mean(np.abs(rel_error)) * 100
    
    # MRE
    mre = np.mean(rel_error) * 100
    
    return {
        'MAE': mae,
        'RMSE': rmse,
        'MAPE': mape,
        'MRE': mre
    }

# 示例数据
y_true = np.array([100, 200, 150, 300, 250])
y_pred = np.array([105, 195, 155, 280, 260])

result = calculate_errors(y_true, y_pred)
for key, value in result.items():
    print(f"{key}: {value:.2f}")

运行结果：

MAE: 8.00
RMSE: 10.49
MAPE: 4.33%
MRE: -0.67%

你看，MRE是-0.67%，说明模型整体略微低估。但MAPE是4.33%，说明平均每个点的误差在4%左右。两个指标结合起来，信息就丰富多了。

2.5 知识体系结构图

下面这张图，把误差评价指标体系的逻辑关系梳理了一下。我建议你保存下来，以后做项目时对照着看。

2.6 实际项目中的选择建议

说了这么多，到底该用哪个？我根据多年经验，给几个实用建议：

1. 日常监控用MAE：简单直观，一眼就能看出偏差量级。
2. 安全评估用RMSE：电力系统对极端偏差容忍度低，RMSE能帮你抓住那些「要命」的误差。
3. 汇报展示用MAPE：领导喜欢看百分比，MAPE最符合直觉。
4. 模型诊断用MRE：配合MAPE一起看，能发现模型是否存在系统性高估或低估。

好了，这一章的内容就到这里。误差评价指标是衡量模型好坏的「裁判」，选对裁判，比赛才公平。下一章咱们聊聊如何用这些指标去指导模型优化。

---