电力负荷预测模型选择：SVM、BP、LSTM 与 CNN-LSTM

先按数据和任务选模型

样本少、特征相对固定时，支持向量机或 BP 网络可以作为重要基线；输入是连续序列时，可比较 LSTM；希望同时提取局部窗口模式与长期依赖时，再评估 CNN-LSTM。模型越复杂，不代表在你的数据上越准确。

一套公平的比较协议

1. 按预测发生时间切分训练、验证和测试段
2. 明确预测步长、历史窗口和所有可用外生变量
3. 仅在训练段拟合缺失值、缩放和特征工程参数
4. 给所有模型使用相同测试区间和评价指标
5. 将朴素持续值预测作为最低基线
6. 多次重复随机训练，并报告平均值与波动

最常见的数据泄漏

• 先在全量数据上归一化再切分
• 随机打散高度相邻的时间窗口
• 滚动特征包含预测时点之后的数据
• 用测试集不断挑模型和参数

什么时候值得做智能优化

只有在基础模型、数据切分和目标函数已验证后，才适合引入贝叶斯优化或 GTO 等搜索方法。优化预算、搜索空间和随机种子都应保存；最终结论必须来自未参与搜索的测试段。

资料选择路径

想先做传统基线，可核对 SVM 或 BP；需要直接比较序列网络，可看 LSTM/Bi-LSTM；已有多变量窗口数据并希望研究混合网络，可看 CNN-LSTM；只有在此基础上再选择贝叶斯或 GTO 优化版本。