手头正好在做一个电力负荷预测的复现项目数据集翻来覆去选了好几轮最后还是锁定了GEFCom 2014和UCI上的电力负荷数据集。GEFCom是电力负荷预测竞赛里的老牌benchmark学术圈里大量论文用它做实验对比UCI的ElectricityLoadForecasting数据集则更贴近日常工程时间戳、负荷、温度这些字段清清楚楚拿来练手Python端的特征构建和模型训练非常顺手。这篇东西我想把从数据入手到预测模型落地这段路完整走一遍包括为什么选这两个数据、时空特征怎么做、LightGBM和LSTM分别怎么搭、实际跑的时候踩过哪些坑都会写到。这篇文章的核心是电力负荷时空预测模型面向的读者是正在学时序预测、或者想快速上手一个完整项目的人能把数据-特征-模型-评估这条链路跑通。1. 数据集与项目思路为什么从GEFCom切到UCI1.1 GEFCom 2014到底是什么GEFCom 2014全称Global Energy Forecasting Competition 2014是电力预测领域非常经典的一次国际竞赛。比赛分了负荷、风电、太阳能等多个赛道其中负荷预测赛道提供的是按小时记录的负荷序列同时配了对应的气象温度数据。温度是负荷预测里最重要的外部变量空调、采暖这些负荷跟温度强相关这个设计让GEFCom从一开始就不是单纯的用历史推未来而是带上了外生变量的影子。这个数据集在学术圈用得极多原因很简单数据是公开的、格式相对规整、预测任务定义清晰而且当时的冠军方案和赛后总结论文公开得比较充分拿来当baseline非常顺手。我自己的习惯是先用GEFCom确认一个方法在这类数据上表现如何再迁移到自己的业务数据上。它最大的价值是一个标尺帮你校准特征工程和模型选择的整体方向。不过GEFCom有一个特点它的官方任务更多关注单条或多个区域负荷序列的预测数据组织方式偏向时序竞赛结构对空间维度的挖掘没有刻意引导。如果你想进一步研究多个区域之间的负荷联动关系它的数据也能做但需要自己花时间去整理和构造特征。1.2 UCI电力负荷数据集有什么不同UCI机器学习库里的ElectricityLoadForecasting数据集有时也写作ElectricityLoadForecasting2014是电力负荷预测里另一个高频出现的实验数据。它跟GEFCom最大的区别在于数据组织更接近实际业务表通常包含时间戳、星期几、负荷值、温度等字段有些版本还带额外的气象或派生特征。数据频率多数是小时级时间跨度通常在一年以上足够覆盖春夏秋冬的负荷形态差异。对做工程的人来说这种宽表结构反而更友好。它不像GEFCom那样需要你花时间转化数据格式下载下来就能直接开始做特征工程。而且UCI数据集的字段噪音更少适合作为从看懂数据到跑通模型之间的过渡材料。我建议的路线是先用GEFCom理解负荷预测的基本问题和经典实验设定再用UCI数据集完成一次完整的、可复现的Python建模流程这样两边的优势都占到了。1.3 从单变量时序到多变量时空特征标题里有个词叫时空预测第一次接触的人容易把它想复杂觉得一定要上图神经网络。其实在负荷预测场景里空间可以理解成不同区域、不同台区之间的负荷相关性。比如同一个城市里商业区和居民区的负荷形态完全不同但它们之间会通过天气、节假日、大型活动等因素产生联动。我的做法是分两步走第一步用GEFCom把单区域的负荷预测baseline做出来理解时序模型的核心逻辑第二步转用UCI数据集在特征工程里显式构造空间信息比如多区域负荷的均值、差值、比例关系或者把温度、湿度等气象特征作为区域的外生空间变量放进去。这样即便不用复杂的图模型也能让预测模型感知到空间维度的同步变化。如果你后面要上更高级的方案比如GNN这套特征工程和baseline体系也可以直接迁移过去做对比。2. Python环境与数据准备2.1 环境配置与依赖库工欲善其事必先利其器。Python环境这块如果刚入门我强烈建议直接用Anaconda发行版装完自带conda、Python解释器和一堆科学计算库省去单独配环境的麻烦。搜索Python安装教程的话网上方案很多但核心就一条别把包装乱最好为每个项目建独立虚拟环境。conda create -n loadforecast python3.10 conda activate loadforecast pip install pandas numpy scikit-learn matplotlib lightgbm如果打算跑LSTM再加一行pip install tensorflow装国内源的话pip后面跟-i https://pypi.tuna.tsinghua.edu.cn/simple会快很多。我实际用下来pandas、numpy、scikit-learn是数据处理和评估的刚需lightgbm是梯度提升树里训练速度和精度平衡得最好的库之一tensorflow就纯粹是为了做序列模型对比。这些库的版本不用刻意追求最新稳定即可我自己用的pandas 2.x、scikit-learn 1.3.x跑下面的代码都没问题。2.2 数据加载与字段检查UCI下载下来的数据一般是CSV格式读进来第一件事不是急着训练而是把字段看清楚。import pandas as pd df pd.read_csv(data/uci_electricity.csv, parse_dates[timestamp]) print(df.head()) print(df.info()) print(df.describe())parse_dates是把时间列解析成datetime类型的关键这一步不做后面所有时间相关的特征工程都会很痛苦。df.info()用来检查有没有缺失值、字段类型对不对df.describe()看负荷列的最大最小值、均值标准差第一时间发现异常数据。列名每个版本略有差异我见过的版本一般有这几个关键字段时间戳、星期几、负荷值、温度。如果打开之后发现列名不完全一致以实际为准把代码里的列名同步改一下就行。这里有个小习惯把原始数据备份一份所有清洗操作都从副本开始别直接改原始df否则处理错了想回退都难。2.3 缺失值处理与时间对齐电力负荷数据出现缺失是常态采集设备断点、传输丢包都可能导致某几个小时没有记录。处理缺失值有两条原则一是能用插值就别直接删行因为时间序列的连续性非常重要删行等于告诉模型这段时间不存在会造成时间轴断裂二是插值方式要按缺失长度来选短时间的缺失用前后向填充ffill/bfill或者线性插值足够长时间段缺失需要更谨慎可能需要用相似日期的负荷曲线补全。# 短时间缺失线性插值 df[load] df[load].interpolate(methodlinear) # 时间戳对齐确保按时间升序排列 df df.sort_values(timestamp).reset_index(dropTrue) # 生成完整的时间轴检查缺失 full_index pd.date_range(startdf[timestamp].min(), enddf[timestamp].max(), freqh) df df.set_index(timestamp).reindex(full_index).rename_axis(timestamp).reset_index()第二步的reindex是个很实用的操作先构造一个完整的小时索引再和原始数据对齐缺失的位置会自动变成NaN接下来你可以统一处理。这个做法在做多区域数据合并时尤其重要两个区域的时间戳可能差那么几个小时不对齐后面构造空间特征时就会出现错位。3. 特征工程时空维度的体现3.1 时间特征要分周期编码负荷预测里时间特征是最基础也最有效的一类特征。人的作息有规律工厂开工有周期这些社会行为规律最终都会体现在负荷曲线上。小时、星期、月份这三个周期是最基础的直接作为数值特征丢进模型也能用但更好的做法是做周期编码。原因是小时这个特征取值是0到23在树模型里还好在神经网络里如果直接当数值特征模型会认为23和0在数值上离得很远但实际上23点和0点都是深夜负荷形态很接近。用sin/cos循环编码可以把这个首尾相连的性质表达出来。import numpy as np df[hour] df[timestamp].dt.hour df[dayofweek] df[timestamp].dt.dayofweek df[month] df[timestamp].dt.month # 小时循环编码 df[hour_sin] np.sin(2 * np.pi * df[hour] / 24) df[hour_cos] np.cos(2 * np.pi * df[hour] / 24) # 星期循环编码 df[dow_sin] np.sin(2 * np.pi * df[dayofweek] / 7) df[dow_cos] np.cos(2 * np.pi * df[dayofweek] / 7)另外is_weekend这种布尔特征在周末和节假日形态明显的场景里很有效。如果项目面向节假日预测日期特征里最好把国家法定节假日、调休、特殊活动日都标记出来。春节、国庆这种长假期间负荷水平跟平时差异非常大模型如果不告诉它现在是假期它很容易按平时规律预测误差会很难看。3.2 滞后特征与滚动统计的边界滞后特征是时序预测里最出效果的手段。电力负荷往往具有明显的日周期和周期今天上午10点的负荷跟昨天上午10点、上周同一天上午10点的相关性极高。所以最常见的滞后特征是24小时前、48小时前、168小时前一周前的负荷值。df[lag_24] df[load].shift(24) df[lag_48] df[load].shift(48) df[lag_168] df[load].shift(168) # 滚动窗口特征 df[roll_mean_24] df[load].rolling(window24).mean().shift(1) df[roll_std_24] df[load].rolling(window24).std().shift(1)滚动均值这里我特意在后面加了一个.shift(1)这是防止数据泄漏的关键细节。比如你要预测下午3点的负荷用过去24小时的平均负荷作为特征这里的过去24小时在预测时点只能截止到下午2点不能把下午3点当天的值也算进去。如果不加shift训练时模型会看到未来信息验证时表现很好一上线立刻崩。这个坑我踩过后面会专门讲。滞后阶数的选择可以通过自相关分析辅助判断简单做法是画出不同滞后阶数与当前负荷的相关系数热力图。通常24、48、168这三个点会出现明显的相关性峰值。再往后阶数对模型的增量收益会递减但特征数量会线性增长容易造成维度膨胀。3.3 空间维度多区域与温度联动说了这么多时间上的特征终于到空间这一步。用UCI这类多字段数据做空间特征我的核心思路是把不同维度上的信息组合成联合状态让模型感知到多个变量的协同变化。具体的特征构造方法可以包括以下几种# 假设数据里有区域A和区域B两列负荷 df[region_diff] df[load_a] - df[load_b] df[region_mean] (df[load_a] df[load_b]) / 2 # 温度变化率 df[temp_grad] df[temp].diff(1) # 温度与滞后的交互特征 df[temp_lag24] df[temp].shift(24) df[load_temp_inter] df[load].shift(24) * (df[temp] - df[temp].mean())区域差值和均值是最直观的空间关系表达。比如商业区负荷和居民区负荷的差值能反映当天是工作日还是休息日区域均值能缓解单区域数据抖动的问题。温度的差分和滞后项则表达了气象条件的变化趋势——温度骤降往往意味着采暖负荷上升这种变化比温度绝对值更敏感。如果想更进一步可以计算两个区域负荷序列的滚动相关系数把相关性作为特征。区域之间如果高度耦合比如都受同一个气温影响那么它们负荷曲线的相关系数会在某个区间内波动这种特征能帮助模型理解当前空间状态。这个方法不需要图神经网络也能达到类似效果而且可解释性强。等这套特征体系搭建完再去探索图神经网络也不迟。3.4 特征重要性验证特征做了一大堆哪些真正有用我习惯用LightGBM自带的重要度排序来做第一轮筛选。第一步训练一个快速模型打印出feature importance前20的特征重点看滞后特征和温度特征是不是占主导第二步对一些可疑特征做删除实验看指标变化。model lgb.LGBMRegressor(n_estimators300, learning_rate0.05, random_state42) model.fit(X_train, y_train) importance pd.DataFrame({ feature: X_train.columns, importance: model.feature_importances_ }).sort_values(importance, ascendingFalse) print(importance.head(20))特征筛选的核心原则是宁少勿滥。很多刚接触特征工程的同学喜欢堆一大堆特征模型训练慢不说还容易过拟合。我的经验是先用重要性排序和相关性分析砍掉明显无效的特征再对保留的特征做组合和衍生。电力负荷预测里时间特征、滞后特征、温度特征基本构成了核心特征集其他特征都是在这个基础上做增量补充。4. 模型构建LightGBM与LSTM实测4.1 时序交叉验证怎么做才不泄漏时序预测的数据集切分跟普通机器学习有本质区别。普通任务可以用train_test_split随机打乱数据但时序数据一旦随机打乱训练集里就出现了未来的数据模型等于开了天眼。正确的切分方式是严格按照时间先后顺序前一段做训练后一段做验证。from sklearn.model_selection import TimeSeriesSplit tscv TimeSeriesSplit(n_splits5, gap24) for train_idx, val_idx in tscv.split(X): X_train, X_val X.iloc[train_idx], X.iloc[val_idx] y_train, y_val y.iloc[train_idx], y.iloc[val_idx]这里gap24的意思是训练集和验证集之间留出24个小时的间隔。为什么要有这个间隔因为滞后特征的存在验证集第一行的lag_24特征它对应的值是训练集最后一天的数据如果训练和验证紧挨着这个特征值会恰好落在训练集内形成一种隐式的信息重叠。隔开24小时验证集第一行的滞后特征就不会来自训练集了评估结果更可靠。初次跑项目也可以简单一点按7:3或者8:2直接切分但一定要保证训练集的时间在前。时间序列切分这里不值得省时间做对了后面的评估结果才有参考意义。4.2 LightGBM Baseline半小时出模型LightGBM是我在负荷预测项目里的默认baseline。它的优势是训练速度快、能处理大量特征、树模型天然可以捕捉到非线性关系和时间特征的交互效应。对于电力负荷这类表格形态的预测问题LightGBM往往能打出非常强的效果。import lightgbm as lgb from sklearn.metrics import mean_squared_error, mean_absolute_percentage_error features [hour_sin, hour_cos, dow_sin, dow_cos, lag_24, lag_48, lag_168, roll_mean_24, roll_std_24, temp] X df[features] y df[load] # 按时间顺序切分 split_idx int(len(df) * 0.8) X_train, X_val X.iloc[:split_idx], X.iloc[split_idx:] y_train, y_val y.iloc[:split_idx], y.iloc[split_idx:] model lgb.LGBMRegressor( n_estimators500, learning_rate0.05, num_leaves31, subsample0.8, colsample_bytree0.8, random_state42 ) model.fit( X_train, y_train, eval_set[(X_val, y_val)], eval_metricrmse, callbacks[lgb.early_stopping(50)] ) y_pred model.predict(X_val) rmse np.sqrt(mean_squared_error(y_val, y_pred)) mape mean_absolute_percentage_error(y_val, y_pred) * 100 print(fLightGBM RMSE: {rmse:.2f}, MAPE: {mape:.2f}%)这里的参数是我跑了多次之后比较稳定的组合n_estimators设大一些配合early_stopping自动选择最佳迭代轮数num_leaves31是经验值叶子数太大容易过拟合太小则拟合不足subsample和colsample_bytree都设为0.8引入随机性增强泛化能力。实际跑下来LightGBM在验证集上的MAPE通常能到2%-4%区间具体取决于数据噪声程度和特征质量。4.3 LSTM模型的简化实现LSTM这类循环神经网络在处理序列依赖上有天然优势它不需要像LightGBM那样手工构建大量滞后特征而是通过记忆单元自动学习历史模式。但LSTM的缺点是训练时间长、需要的数据量和调参经验更多。下面是一个用TensorFlow/Keras实现的简化版LSTM。注意LSTM的输入格式是三维的样本数、时间步长、特征数。这里我用过去48小时的负荷序列作为窗口预测下一小时的负荷。import tensorflow as tf from tensorflow.keras.models import Sequential from tensorflow.keras.layers import LSTM, Dense, Dropout from tensorflow.keras.optimizers import Adam # 构造序列样本 def create_sequences(data, seq_len48): X, y [], [] for i in range(seq_len, len(data)): X.append(data[i-seq_len:i]) y.append(data[i]) return np.array(X), np.array(y) # 只用负荷值做单变量序列示例 load_values df[load].values.reshape(-1, 1) # 归一化 from sklearn.preprocessing import MinMaxScaler scaler MinMaxScaler() load_scaled scaler.fit_transform(load_values) X_seq, y_seq create_sequences(load_scaled, seq_len48) # 同样按时间切分 split_idx int(len(X_seq) * 0.8) X_train, X_val X_seq[:split_idx], X_seq[split_idx:] y_train, y_val y_seq[:split_idx], y_seq[split_idx:] model Sequential([ LSTM(64, return_sequencesTrue, input_shape(48, 1)), Dropout(0.2), LSTM(32), Dense(1) ]) model.compile(optimizerAdam(learning_rate0.001), lossmse) model.fit(X_train, y_train, validation_data(X_val, y_val), epochs10, batch_size256, verbose1) # 预测并反归一化 y_pred_scaled model.predict(X_val) y_pred scaler.inverse_transform(y_pred_scaled) y_true scaler.inverse_transform(y_val)这个例子为了简洁只用了单变量负荷序列但LSTM完全可以接收多维特征比如小时、温度、滞后值都拼接到输入的最后一个维度上。我的实际经验是多变量LSTM的效果通常优于单变量LSTM但优化难度也更高需要更多的调参耐心。如果你时间有限建议先用LightGBM打底LSTM作为对比实验和后续模型上线的候选方案。4.4 多步预测和滚动更新策略上面的例子都是单步预测也就是预测未来1个小时的负荷。但实际业务里我们更常需要预测未来24小时甚至更长时间。多步预测有三种常见范式递归预测、直接预测、seq2seq预测。递归预测的做法是先预测t1时刻的负荷把这个预测值拼到历史序列末尾再预测t2依次往后滚。它的优点是实现简单缺点是一旦某一步预测出现偏差误差会像滚雪球一样累积。直接预测是训练多个模型分别预测t1、t2、……t24每个模型管一个预测步长误差不会累积但训练和维护成本高。seq2seq的做法则是用一个编码器读取历史序列解码器输出未来一段时间的序列这也是很多工业系统的选择。对于LightGBM这类基于特征的模型我做24小时预测时更推荐直接法的一个变体为每个预测步长训练一个模型但共享同一个特征集。这样每个模型专注于自己的预测步长误差累积几乎可以忽略。如果只想快速验收可以先用递归法跑一个简单的多步预测脚本把思路验证通了再升级。5. 评估指标与结果分析5.1 指标选择RMSE、MAPE与业务含义评估指标的选择取决于业务诉求。RMSE均方根误差对大误差非常敏感适合那些误差大就代表事故的场景比如电网安全评估MAE平均绝对误差的解读更直观就是平均偏差多少千瓦MAPE平均绝对百分比误差则是无量纲的方便在不同量纲的数据之间对比模型优劣。from sklearn.metrics import mean_absolute_error, mean_squared_error, mean_absolute_percentage_error mae mean_absolute_error(y_val, y_pred) rmse np.sqrt(mean_squared_error(y_val, y_pred)) mape mean_absolute_percentage_error(y_val, y_pred)需要注意MAPE在负荷值接近0的时候会趋近无穷大因为分母是实际值。电力负荷数据在凌晨可能降到很低直接用MAPE容易被个别接近0的点带偏。我的习惯是计算MAPE时把负荷低于某个阈值比如最大负荷的5%的数据点过滤掉或者改用sMAPE对称平均绝对百分比误差。在向业务方汇报时MAPE仍然是最好沟通的指标因为预测准确率是97%比RMSE是200千瓦更容易被理解。5.2 预测曲线怎么画才直观模型效果好坏除了看数字指标更直观的方式是画预测值和真实值的对比曲线。选一个连续几天的窗口把真实负荷、预测负荷画在同一个坐标轴里肉眼就能看出模型是否抓住了负荷的日周期、早晚高峰和整体趋势。import matplotlib.pyplot as plt plt.figure(figsize(12, 5)) plt.plot(y_val[:168], labelActual, linewidth1.5) plt.plot(y_pred[:168], labelPredicted, linewidth1.5, linestyle--) plt.legend() plt.xlabel(Hour) plt.ylabel(Load) plt.title(Load Prediction: Actual vs Predicted (7 days)) plt.show()画168小时7天的曲线是个不错的选择既能看到日周期也不至于因为点太多看不清细节。另外一个有用的图是误差分布直方图横轴是预测误差纵轴是频次。如果误差分布近似正态分布且集中在零附近说明模型整体表现稳定如果左偏或右偏说明系统性地高估或低估了负荷可能需要在特征里补充某些信息比如温度校正或者节假日标记。5.3 模型对比与调参心得把LightGBM、LSTM和历史均值基线放在一起对比能直观看出模型带来的增量。历史均值基线很简单用过去7天同一时刻的负荷平均值作为预测。这个基线虽然笨但能反映数据本身的周期性强度也是判断复杂模型是否有效的底线。下面是一次实际运行中的结果示例具体数值会随数据和切分方式变化但数量级可以参照模型RMSEMAPE训练时间特点历史均值基线3208.5%0秒仅用周期均值无学习过程LightGBM1052.8%约2分钟特征工程强依赖训练快LSTM单变量1253.6%约10分钟自动学习时序依赖调参成本高LightGBM在这类负荷预测任务上通常是最省事的强baseline。它的一个额外优势是特征重要性分析非常方便能反过来指导你优化特征工程。LSTM的优势在于序列建模的灵活性输入窗口可以直接滑动使用但对数据量和调参要求更高初学者很难第一次就调到最好的效果。我的建议是先把LightGBM做到位再尝试LSTM两者形成互补和对比而不是一上来就奔着深度模型去。6. 常见问题与排查技巧实录6.1 数据泄漏最隐蔽的错误数据泄漏是时序预测里最隐蔽也最致命的错误。最常见的三种泄漏场景第一随机切分忘了关shuffle训练集混入未来数据第二滚动统计特征没有shift(1)当前时刻的信息被算进了特征第三使用了归一化器在全量数据上拟合导致验证集信息混入训练过程。第一种最好排查切分时加shuffleFalse就行第二种需要在代码审查时格外留意rolling().mean()后面是否跟着shift(1)第三种则发生在用MinMaxScaler或StandardScaler时。scaler.fit()必须在训练集上调用然后用训练集上得到的参数去transform验证集。如果直接对全量数据fit_transform验证集的均值和方差信息就泄漏到了训练阶段评估结果会虚高。6.2 节假日和异常天气怎么处理节假日是电力负荷预测里不可忽视的干扰因素。在GEFCom这种国外数据集里感恩节、圣诞节的负荷形态跟普通工作日差异很大。国内场景更是如此春节前后两周的负荷曲线完全是另一种模式很多工厂停工、人口流动剧烈模型如果没见过这种模式预测误差会非常夸张。处理思路有两个层次第一层是把节假日标记成特征is_holiday、holiday_type、days_to_holiday等让模型知道当前日期处于什么样的节假日状态第二层是针对长假期的极端情况单独建立调整规则或者用相似年份的同假期数据进行校准。实测下来第一层特征工程能解决大部分问题第二层规则适合在预测精度的最后冲刺阶段使用。异常天气方面温度骤降、台风暴雨这类极端事件会造成负荷短期剧烈波动常规模型很难完美预测。可以增加气象预报特征比如未来24小时的温差、降雨概率等也可以采用分位数预测的框架为调度人员提供更全面的风险区间。这个方向属于进阶玩法baseline稳定后可以慢慢加。6.3 训练慢、内存爆了怎么办LightGBM在普通配置的电脑上训练负荷预测模型一般不会太慢但如果特征数量爆炸或者数据跨度特别长也会遇到性能问题。我的排查顺序是先看特征数量删掉重要度极低的特征再看数据量如果数据跨度好几年可以先按年抽样或者降低训练样本密度最后调整LightGBM参数把subsample调低到0.5把feature_fraction调低训练速度会明显提升代价是精度可能有微小下降。LSTM的显存和训练时间问题更常见。处理方式是控制序列长度48小时窗口是一个性价比比较高的选择减小batch size和隐藏层维度用tf.data做数据管道避免每次迭代都从numpy数组切数据。另外深度学习模型强烈建议用GPU哪怕是入门级的显卡也比CPU快好几倍。6.4 上线部署时的特征对齐模型上线时最容易出的问题不是模型本身而是训练和推理时的特征不一致。训练时你生成的lag_24、roll_mean_24都是基于历史数据库的实时计算上线后推理请求到达时当前真实负荷可能还没有入库滞后特征就会缺失这个坑非常隐蔽。解决办法是建立一个统一的特征生成函数在训练和推理时都调用同一个函数保证逻辑一致。同时在推理接口里做好兜底逻辑如果某个滞后特征取不到用最近可用值填充并且记录一条日志方便排查。还有一点容易被忽略模型持久化之后重新加载时特征顺序不能变。用model.feature_name_可以检查LightGBM模型内部的参数名确保推理时传入的DataFrame列顺序和训练时一致。很多线上bug都是这个环节出的问题测试的时候要多覆盖特征顺序打乱的用例。最后聊点个人感受。这类电力负荷预测项目最花时间的部分其实不是模型选型而是数据清洗和特征工程。GEFCom和UCI两个数据集很有代表性前者让我理解了负荷预测的经典任务设定后者让我能专注于把Python建模流程跑通。代码本身不复杂难的是对数据规律的理解和对细节的把控。如果你也在做类似的项目我建议一定先把基线模型跑通再逐步叠加特征和高级模型这样才能判断每一步的改进是否真实有效。